农业是中国经济的基础支撑产业,在人类的生活中具有非常重要的地位,单位面积内农作物的生产产量高低与人们的生活息息相关。随着农业经济的快速发展,传统的病害分类和识别方法已经无法有效解决大量的病害问题,智能化的病害分类和识别方法显得越来越重要。随着互联网时代的快速发展,人们可以轻易的采集到病害图片。然而在采集过程中,由于天气原因、传感器损坏或人为因素,致使采集的病害数据集出现高斯噪声、椒盐噪声或块遮挡等异常情况。本文基于非负矩阵分解和卷积神经网络理论来研究含有噪声的病害数据和病害等级分类问题。非负矩阵分解主要用于提取农作物叶部病害数据的特征,卷积神经网络对提取后的特征进行处理和识别。具体研究内容包括:(1)在曼哈顿矩阵分解框架基础上,本文提出了权重曼哈顿非负矩阵分解方法来(WNMF)减弱噪声对特征空间的影响。WNMF既能修复被噪声污染的病害数据,又能用修复的数据来学习更加鲁棒的特征表示。(2)在稀疏编码框架基础上,本文提出了基于稀疏非负矩阵分解的特征提取方法,使得特征空间具有稀疏性和鲁棒性。(3)结合非负矩阵分解理论以及卷积神经网络相关理论,设计出建立在卷积神经网络算法上的病害识别模型,该算法在经过对数据集的大量训练后,各层级的特征表示能力会逐渐增强,可以更深层次的获得高层特征,具有更好的图像表示和泛化能力。本文通过利用权重曼哈顿非负矩阵分解方法和基于稀疏非负矩阵分解法两种方法结合卷积神经网络得到的模型,能更加准确更加有效地对农作物叶部病害进行识别,提高了对病害识别的准确率。更加体现出智能化的识别对现代农业产生的必要性和重要性。