柑橘黄龙病是一种易扩散的毁灭性疾病,严重阻碍了世界柑橘产业的发展,有效控制柑橘黄龙病的前提是实现黄龙病的快速准确诊断。近红外光谱分析技术是一种快速简易有效的化学分析技术,在黄龙病检测上已有初步研究。但现有方法主要是基于传统化学分析方法,模型过于简单,不能适应于不同光谱仪和柑橘品种。本文为增强算法对不同光谱仪和柑橘品种的鲁棒性,主要进行了如下研究:(1)现有方法忽略了多光谱点的不同处理方法对结果的影响,本文分别对综合评判、均值、中心点、随机点方法进行对比,实验表明综合评判法的结果更优。并且现有方法还忽视了在不同光谱分辨率下采集数据的影响,本文基于4个光谱分辨率的光谱数据,探索了光谱特征分解有机物的能力区别。(2)为实现柑橘黄龙病的快速准确检测,本文提出了基于Gabor滤波的核极限学习机(GKELM)进行黄龙病检测,它将Gabor滤波对特征处理的优势,与核极限学习机的快速学习速度和出色泛化能力相结合。首先采用标准正态变换和主成分分析对光谱进行处理,然后进行Gabor滤波,从而进一步突出关键特征,并结合核极限学习进行分类。实验表明,GKELM在低误诊下实现了高准确率,并表现出对光谱采集差异的鲁棒性。(3)针对柑橘品种差异导致算法的鲁棒性差,本文基于集成学习的Stacking策略,提出了一种融合多特征提取和集成多分类器的黄龙病检测算法(KP-TEPS)。算法在特征层和决策层均集成了多个个体学习器,利用个体学习器间的多样性来提高集成模型的泛化性。实验表明,集成分类模型的各项指标表现优异,证明了KP-TEPS能够利用个体学习器的多样性,获得比单特征提取和单分类器更优的检测结果,并对不同柑橘品种表现出强鲁棒性。