目前除草剂的粗放式喷洒会污染环境，破坏耕作土地质量，同时加大农业生产成本。本课题以华中农业大学科技实验田的春播玉米及伴生杂草为研究对象，采集玉米及伴生杂草的静态图像，并研究利用数字图像处理技术来识别图像中玉米与杂草的方法，为最终实现除草剂的变量喷洒，从而降低除草剂的用量提供理论与技术上的支持。本文的主要研究内容如下：1．图像增强部份：由于采集的图像中出现的各种噪声，在进行图像处理前要滤除掉这些噪声。实验并比较了3种滤波算法(低通滤波、均值滤波、中值滤波)后采用了邻域均值法对图像进行了滤波预处理。2．图像分割部份：①利用图像的颜色特征增加绿色植物与土壤的对比度，把植物从复杂背景环境下分离出来，转换彩色图像为灰度图像。②研究图像的阈值分割算法，实验并选择合适的分割算法，即最大方差分割法，把灰度图像转换为二值图像。③对二值图上出现的斑点状随机噪声，采用形态滤波算法对分割后的二值图像进行滤波处理。3．图像特征研究部份：研究了图像特征包括几何特征，无量纲参数，区域矩状特征。并对杂草图像进行了特征提取。通过对结果的统计分析，发现玉米的几何特征明显大于其它杂草，而单一的无量纲参数或区域矩状特征无法有效识别杂草。可以考虑把玉米面积作为第一识别特征，然后组合其它形状特征形成一个特征集进行识别。4．分类器设计：设计了用于杂草形状识别的BP网络，通过试验得出网络结构为4-5-2，学习误差为0.03，学习速率为0.3，动量因子为0.9的神经网络，试验结果表明，其对小藜、铁苋菜、刺儿菜、马唐的识别率分别为：96％，92％，96％，94％。5．软件开发：开发基于Visual C++的杂草识别软件，可进行图像处理分析，为进一步计算机杂草识别系统的研发提供技术上的支持。