近年来,小麦赤霉病多地区、大规模的爆发,严重影响小麦的产量。目前已有研究表明,高光谱检测技术能够对小麦赤霉病及其其他病害进行检测,并获得了良好的结果。然而由于高光谱图像具有数据量大、维度高等特点,所以本文选用深度学习方法,通过构建深度神经网络模型对小麦赤霉病进行识别。为进一步提高深度神经网络对小麦赤霉病识别的准确率,本文研究分析了深度模型网络结构和多模型的集成学习方法,构建出了多种组合模型,并且评估分析了多种集成模型对小麦赤霉病识别的准确率和自身模型的泛化能力,从而寻找到最优的识别小麦赤霉病的集成模型。根据研究目标确定的主要研究内容如下:1.研究了识别小麦赤霉病的深度神经网络模型。构建四个不同结构的深度神经网络模型,并对这四个模型进行结构分析。基于野外小麦赤霉病高光谱图像数据,对这四个模型进行训练和测试,并通过训练结果和测试结果对模型的整体性能进行分析评估。四个深度神经模型分别为卷积类神经网络模型VGG₁和VGG₂,循环类神经网络模型LSTM和GRU。2.研究了多模型的集成学习方法和最优的模型组合方式。通过Stacking算法对四个深度神经网络进行排列组合,构建出十一个不同的集成模型,并对集成模型性能进行分析评估。在集成模型的基础上,通过实现随机森林、Adaboost、XGboost以及梯度提升树等集成算法,将集成模型进行进一步的优化提升,并对多模型组合的集成学习结果进行分析评估。3.对比分析了最优深度神经网络模型和最优集成模型。将深度神经网络模型和集成模型结构和最优深度神经网络模型和最优集成模型的测试结果进行了对比分析,从而得到了对野外小麦赤霉病有较高的识别准确率和泛化能力较强的集成模型,同时也达到了通过集成学习的方法,提高了对小麦赤霉病识别准确率的研究目标。