设施蔬菜病害诊断中,存在着先进信息化技术适用性不高的问题。农民缺少有效的诊断手段,只能凭借自身经验或植保专家指导。因此,提高先进信息化技术在设施蔬菜病害诊断中的准确率,为农民提供一种易用、实时、可靠的诊断方法非常有意义。本文以设施蔬菜监控视频为数据源,提出了面向叶部病害识别的设施蔬菜监控视频关键帧提取解决方案,通过研究计算机视觉、视频处理等方法,构建了视频获取及关键帧提取模型,从监控视频序列中获取了含有病害信息的关键帧图像；研究图像处理、机器学习方法,构建了叶部病斑分割模型和病害诊断模型,实现了设施蔬菜病害的实时诊断。本研究主要成果如下：(1)提出了面向叶部病害识别的设施蔬菜监控视频采集方法。结合温室叶类蔬菜病害发生的特点,采用物联网技术,基于传感器感知的环境信息与摄像机监控视频信息,提出了面向病害识别的温室监控视频采集方法。该方法把案例检索与模糊推理方法相结合,将传感器实时采集的数据与知识库中的病害产生环境条件相匹配,以匹配结果作为视频采集的依据,实现了监控视频的智能采集；并利用模糊推理方法,弥补案例检索结果不够全面的问题,确保了数据的准确获取。该方法查全率达到95.4%,能够满足温室叶类蔬菜病害识别的视频数据需求。(2)提出了融合视觉显著性和在线聚类的关键帧提取方法。该方法首先利用X2直方图法进行帧间差异度量,剔除具有相似特征的视频帧图像对算法计算的影响,其次将视频帧图像转到HSV颜色空间,利用H通道计算视觉显著图,提取视频帧图像中的显著性区域,然后利用形态学方法对显著性区域中可能丢失的病斑信息进行修复,最终利用传统的像素帧平均算法实现关键帧快速提取。研究表明,该方法能够在保证效率的前提下,完整的获取蔬菜叶片区域的信息并快速提取设施蔬菜病害监控视频关键帧。(3)提出了基于条件随机场的设施蔬菜叶部病斑分割模型。为克服光照条件对病斑分割的影响,实现设施蔬菜蔬菜病斑的准确分割,采用wapper与filter结合的方法,进行特征选择；在此基础上,构建条件随机场模型,并利用CART方法构建决策树模扩展条件随机场模型一元势函数；最终利用构建的模型进行病斑分割。以K均值聚类与OSTU方法作为对比,验证该方法的有效性。结果表明,本文算法能够很好的客服光照条件对图像分割造成的影响,准确率达到94.56%,显著高于K均值距离算法和OSTU方法。(4)提出了病斑提取及选择的解决方案。在获取病斑图像后,本文提取了25个病斑特征并出了病斑特征选择方案,通过遗传算法粗糙集属性约简,减少输入的病斑特征数量,剔除冗余特征,得到更具有代表性的病斑特征子集,降低了病害识别分类器结构的复杂性,提高了分类的效率。实验结果表明,本章所采用的方法将25个特征缩减到12个。(5)构建了设施蔬菜叶部病害识别诊断模型。开展了分类器选择实验,分别构建了基于BP神经网络的设施蔬菜病害分类器,基于不同核函数SVM的设施蔬菜病害分类器及基于决策树的设施蔬菜病害分类器。采用训练数据进行分类器的训练和验证。(6)设计并开发了设施蔬菜叶部病害实时诊断系统。在理论方法研究的基础上,按照软件工程学的方法,设计并开发了整套系统,初步实现了设施蔬菜叶部病害的实时诊断。