水稻（Oryza sativa L．）是中国的主要粮食农作物，其质量与产量是保障国民粮食安全的重要影响因素。水稻从播种到收获期间，因为品种抗性、温湿度、水肥管理等多种因素的影响，会遭受到不同病害侵袭，最终导致水稻大面积减产。水稻病害种类多样，某些病症具有一定的相似性，给病害早期检测造成了困难。本论文以不同抗性品种的水稻为对象，采用高光谱成像技术对水稻稻瘟病、纹枯病、白叶枯病进行早期检测。主要研究内容及结果如下：
　　(1)应用高光谱技术，结合传统机器学习方法、深度学习模型和特征波长选择方法，建立了多品种水稻主要病害（纹枯病、稻瘟病及白叶枯病）判别分析模型，实现了多品种、多感病类型的水稻病害快速无损检测。基于全谱和主成分载荷(PCA-loadings)分析方法等三种方法选取的特征波长，分别建立了支持向量机(SVM)等三种传统机器学习模型及三种深度学习卷积神经网络模型。其中，基于PCA-10adings选取的特征波长建立的CNN模型对于水稻主要病害的判别效果最优，建模集和预测集准确率均接近100%。证明利用基于PCA-10adings选取的特征波长的CNN模型能用于判别感染不同严重程度的多品种水稻主要病害。
　　(2)通过模型传递的方式，将多品种水稻主要病害判别模型成功应用于不同批次水稻样本的多时相光谱数据，实现了水稻早期病症检测。通过模型传递的方式，利用多品种水稻主要病害判别模型对多时相水稻光谱数据进行早期感病检测。结果显示，基于多品种水稻主要病害判别模型建立的三种PCA-loadings-CNN判别分析模型对所有植株都能在感病第一天即被正确检出。
　　(3)基于高光谱成像数据，建立了8种化学指标反演模型，结合显著性分析，选出了适用于三种主要水稻病害判别的化学指标，从内部化学物质变化的微观层面，进一步阐明了利用高光谱成像技术进行水稻主要病害检测的机理。本研究检测了叶绿素a(Chla)等8种与水稻细胞活性相关的化学指标。采用传统的偏最小二乘法(PLS)等三种机器学习模型以及两种CNN模型，基于全谱和连续投影算法(SPA)等三种特征波长选择方法建立了化学指标反演模型。实验结果证明，CAT、MDA和APX适用于纹枯病和白叶枯病与健康样本之间的判别，MDA和APX适用于稻瘟病与健康样本之间的检测。该结果证明了感病水稻内部化学物质变化与高光谱数据变化之间存在联系，为基于高光谱成像技术通过分析水稻叶片化学指标，进而对水稻生长状况进行及时准确评估提供技术支持。