番茄是世界上种植最广泛的蔬菜之一,在我国蔬菜供应中起着关键作用。番茄生长要求肥力供给同时满足高消耗和高补充两个条件,实际生产过程中下的施肥存在盲目性,极易出现土壤障碍和缺素症状,若发现不及时会对生产造成巨大损失。本文针对番茄缺素叶片图像特征变化小、难以捕捉细节特征等问题,基于RGB图像数据和高光谱图像数据分别从番茄叶片显症后和未显症前设计番茄叶片缺素图像识别模型,为实现番茄图片缺素的高精度智能识别提供参考。本文主要完成工作如下:（1）构建了基于RGB与高光谱图像的番茄叶片缺素多源数据集。通过人工气候室对番茄幼苗的生长环境因子进行调控,进行番茄缺素培养试验。试验设立了一个正常对照组和3种缺素组,分别为缺氮、缺磷和缺钾组。构建了包含缺氮、缺磷、缺钾及健康番茄叶片的番茄缺素RGB图像数据集,共6250张图像。构建了包含缺氮、缺磷、缺钾及健康番茄叶片的番茄叶片缺素高光谱图像数据集,共327张。（2）提出了番茄叶片缺素RGB图像识别方法。针对番茄缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素RGB图像识别方法—MSFF-AM-CNNs。首先,针对固定尺度的卷积核对不同大小番茄缺素性状感知效果不明显的问题,提出了一种由多尺度卷积核构成的特征融合模块MSFF Module;改进了提取浅层特征的MSFF-AM module及提取深层特征的Deep-MSFF Block,将多层次的全局信息与多个特征通道融合起来,有选择地突出信息特征,实现准确的特征定位;最后引入Focal Loss使模型在训练过程中专注于复杂且难分类的样本。结果表明,MSFFAM-CNNs模型能够满足番茄叶片缺素图像的高精度识别要求,其适用范围广,为植物叶片缺素的识别提供参考。（3）提出了番茄早期叶片缺素高光谱图像识别方法。针对分类任务,基于MSC算法设计了删除噪声和无关变量的高光谱图像预处理算法,在数据预处理前筛除异常样本,同时对校正后的光谱进行低方差过滤特征选择,消除对分类明显无影响的特征,以提高后续关键特征的提取效率;分别通过CARS、IVISSA、SPA算法进行番茄缺素特征关键波长提取,并根据结果选取性能表现最佳的特征提取方法;通过将一维番茄缺素光谱序列转化为二维番茄缺素光谱数据,融合全局光谱信息,改变高光谱数据结构,设计了基于二维卷积神经网络的番茄早期叶片缺素高光谱图像识别模型。实验表明,该模型准确率、召回率、F1分数和正确率均得到显著提高,其中正确识别率可达98.06%,说明此方法在番茄叶片早期缺素图像识别任务中具有较强的适用性。