小麦赤霉病是小麦的重要病害,气候湿润多雨的小麦产区受害严重。该病害如果发现不及时,极易发生大面积流行,造成小麦减产,甚至绝收,因此对小麦赤霉病早期防治变得十分重要。目前小麦赤霉病的诊断通常采用人工识别方法,光谱分析技术具有快速、无损、高效等特点,是一种可以在大范围快速有效地实现作物病害诊断的技术手段。然而,小麦赤霉病早期发病不明显,光谱特征复杂,迄今尚不能对小麦赤霉病进行早期诊断和识别。本研究针对小麦赤霉病早期诊断和识别问题,以正常小麦和不同时期的发病小麦作为研究对象,使用室内400～1000nm可见近红外(VNIR)成像高光谱对小麦赤霉病进行高光谱时序特征分析,通过选择不同的光谱特征提取方法,重点解决不同时期小麦赤霉病光谱特征的提取问题和小麦赤霉病时序特征分析及病症判定问题,为早期赤霉病的诊断和识别奠定基础。论文主要研究内容及结论如下:(1)提出了基于机器学习的小麦赤霉病时序特征提取方法。为降低无关变量影响以提高模型分类精度,分别采用连续投影算法、载荷系数法及随机森林算法对不同时期的小麦赤霉病光谱特征进行选择,并通过提取出的特征波长建立了小麦赤霉病光谱特征分类模型。结果表明,基于随机森林算法提取出的特征波长所构建的SVM分类模型在任何时期都具有较高的分类精度,且明显优于全波段、SPA和x-LW,验证了 RF-SVM模型提取小麦病害特征的有效性,为小麦病害时序特征分析奠定了基础。(2)研究了基于植被指数的小麦赤霉病时序特征提取方法。分别采用归一化植被指数、增强型植被指数及宽动态植被指数对小麦赤霉病光谱特征进行选择,通过分析分类准确率和Kappa系数两种评价指标,对植被指数构建的小麦病害特征进行评价。结果表明,由宽动态植被指数构建出的光谱特征分类效果最好,其小麦赤霉病晚期分类准确率高达91.9%、Kappa系数为0.901,且优于NDVI和EVI两种植被指数构建的光谱特征分类识别率,验证了构建植被指数小麦病害特征的可靠性,为小麦病害时序特征分析奠定了基础。(3)给出了小麦赤霉病时序特征分布特点及病症判定。分别对早期小麦赤霉病、中期小麦赤霉病和晚期小麦赤霉病的高光谱特征进行分析,讨论了每个时期的小麦赤霉病高光谱特征分布位置及特点,并对小麦时序病症进行了判定。结果发现:当高光谱特征主要集中在红边区域时,此时小麦赤霉病位于早期;当光谱特征多数集中在光谱“红边”右边界范围内并且接近“红边”右边界时,此时小麦赤霉病位于中期;当光谱特征多数集中在高平台反射区内并且超过“红边”右边界范围时,说明此时小麦赤霉病位于晚期。论文研究成果对于构建早期赤霉病诊断识别模型,提高赤霉病预测预报和防控能力,保障小麦高产优质具有重要的理论价值和实际意义。