大豆是我国重要的粮食作物之一。近些年，我国经济的突飞猛进发展，同时伴随着环境污染的越来越严重，水污染和雾霾天气等等多方面因素都诱发的大豆病害的发生，严重影响到大豆的产量与质量。随着计算机技术和机器视觉技术的不断发展，使得利用计算机能够智能化地诊断作物病害成为一种可能。这种作物病害诊断自动化的实现可以实时且准确地判断病害种类，农业生产者可以及时的采取相应的防治措施。这样不仅提高了大豆的产量和优质，同时可以避免农药的滥用，保护了我们赖以生存的环境。本文充分了解了国内外在该领域的研究现状，以此为基础深入地研究了大豆叶部病害图像中病斑的分割方法，并根据病斑的特点，讨论了特征参数的提取，最后在对病害种类识别方法也进行了深入的研究和比较。本文主要工作和创新点包括以下几个方面：（1）病害分割方法研究。通过对大豆叶部病害的特点进行研究，提出了2种分割方法:1、基于无监督模糊聚类算法的大豆叶部病斑分割。该方法是对模糊c均值聚类的改进，通过逐步增加c值和改变距离函数，反复迭代，依据有效性评价来度量，无监督地搜索到最佳的分类数c，从而实现病斑的分割。2、基于显著性区域的大豆叶部病斑提取。将显著性区域提取的原理运用到大豆叶部病害的分割上面来，然后结合而二值化分割和形态学处理得到完整的病斑图像，该方法与传统的方法相比，减少了预处理和背景分离两个步骤。（2）特征提取方法研究。选择了以病斑图像RGB和HSV颜色模型的各通道的一阶矩、二阶矩作为为颜色特征，纹理特征主要采用一种用来描述图像局部纹理特征的算子——uniformLBP（均匀二值模式)，根据uniformLBP直方图的分布来得到纹理特征。（3）病害识别方法研究。采用神经网络、支持向量机、粒子群算法改进支持向量机、dropout来改进神经网络这4中识别方法，实现大豆叶部病害的分类识别。其中针对支持向量机参数难确定这个问题，提出了粒子群算法改进支持向量机，主要是利用粒子群算法搜寻最优的核函数参数和惩罚系数来提高支持向量机的准确率，实验结果数据表明比支持向量机的识别准确率提高了13.25%；最后针对论文中训练样本较少，同时为了防止模型过拟合，改善大豆叶病害的识别分类效果，提出了在神经网络的基础上利用dropout进行改进，实验结果数据表明比改进后支持向量机的识别准确率提高了2.273%。