随着温室大棚应用的越来越广泛,棚内的花卉种类变得日渐繁多,种植面积也日益扩大,但是由于化肥施用的不合理或其他一些不可预知因素的综合影响,随之而来的病害也越来越多,对我国的花卉产量产生了很大的影响。现价段对害虫的根除主要是通过施用农药,大棚管理者察觉出疑似染病的花卉,大多都是通过人工的方法(依靠颜色以及纹理特征来识别植物的病害症状)识别植物病虫害,但是这种方法没有一个固定的标准,而且人的视觉系统不具备客观性,以上特质都导致了人工识别的错误率比较高,在这种盲目的情况下,很多大棚管理者滥用了大量的农药,造成了农作物和土地的农药残留等一系列问题。要想使农药合理施用,我们首先需要正确了解病害的种类,只有正确地识别出花卉所感染的病害,才能有效地施用农药,然后确保花卉良好生长。随着人工智能、数字图像处理技术和模式识别等综合技术的进步,我们可以研究基于图像处理的花卉叶部病害识别,这样才能合理地施用农药,保证花卉的健康生长,继而提高花卉的产量,所以研究此课题是有着美好的应用前景的。本文通过分析和对比国内外的研究,以有病害的兰花叶片作为研究对象,对花卉叶部病害图像的预处理、病害图像的分割、病害图像的特征提取和病害图像的识别等关键技术进行详细地研究。1)研究了兰花病害图像的预处理算法。通过对比试验,得出了图像经过中值滤波、降噪会得到最佳的预处理效果。2)研究了兰花病害图像的分割算法。针对花卉叶片病斑区域的边缘噪声大,而且容易受到花卉纹理特征的影响,经过对几种方法的对比和实验,选择了在Lab彩色空间模型下的a分量采用最大类间方差阈值分割法对兰花叶部病害图像进行分割,可以有效地分离出病斑,为后续特征参数的提取奠定良好的基础。3)研究了兰花病害图像的特征提取算法。分割出病斑的边界,提取了病斑的形状特征参数;利用颜色矩,计算出病斑的颜色特征参数;采用灰度共生矩阵,提取出病斑的纹理特征参数,最后确定了16个特征参数作为后续图像识别的输入量。4)最后研究了适合于兰花叶部病害自动分类的模式识别算法。通过分析兰花病害特点,本文选用了对小样本图像识别有着很好分类效果的SVM分类器,但是SVM模型中的参数难以确定,所以采用了遗传算法来优化SVM,来获得SVM最优的参数,最终取得了良好的分类效果,优化后的SVM平均识别正确率为87.5%。