支持向量机(support vector machine，简称SVM)是一种新的模式识别方法，它采用结构风险最小化(SRM)原理，兼顾训练误差和泛化能力，在解决小样本、高维非线性、局部极小值等模式识别问题中表现出特有的优势。本文以温室植物病害为主要研究对象，以支持向量机技术为重要技术手段，并将地面环境信息引入，进行温室植物病害的诊断研究。本文提出了一种新的核函数——线形组合高斯核函数核，并将该核函数应用于支持向量机方法中，并使用该方法对北京地区黄瓜病害图像进行了识别分类，达到更好的分类效果。在病害图像特征提取中，采用基于启发式搜索策略的支持向量机的Wrapper方法—回归特征消去方法(SVM-RFE)对原始特征进行选择。在分类器设计方面，提出采用模糊多类别分类器，该方法很好的解决了“一对一”和“一对多”分类器中出现的不可识别区域问题。在设计病害识别系统方面，将植物生长环境信息对植物病害发生的影响引入病害诊断中，并将这种影响量化为影响因子，作为支持向量机分类器的加权系数，来修正最后的识别分类结果。本项研究为进一步开发具有使用价值的植物病害诊断系统提供了重要的理论基础和应用技术，对缩小我国在农作物自动化管理方面与发达国家之间的差距，促进现代技术在我国农业工程领域的应用具有重要意义。