中国是世界最大的番茄生产和消费国家之一。番茄叶部为病虫害侵袭的主要部位,受病虫害感染的番茄叶片不仅外部生理形态逐渐改变,而且还会慢慢破坏番茄叶片内部结构成分。现阶段,检测番茄病虫害叶片主要依靠人工来实现,其缺点为分析耗时、费力且测量精度低。针对上述存在的问题,本研究综合运用图像处理、近红外（NIR）高光谱、太赫兹时域光谱和多源信息融合等技术,以温室作物番茄为研究对象,研究了在农业设施环境下番茄叶霉病和番茄潜叶蝇的快速检测手段与识别方法,为计算机图像信息处理、光谱信息分析系统和融合技术在现代化农业中应用方面提供了参考。具体研究内容及结果如下:（1）收集番茄叶霉病样本和番茄潜叶蝇样本数据集,通过图像处理技术划分被侵害等级。根据获取的图像信息,利用图像识别技术获取图像特征上的病虫害病斑,计算病斑所占叶片面积,并以此为根据划分等级（0级、1级、2级和3级）。（2）提出基于NIR高光谱的番茄病虫害检测方法。通过比较Savitzky-Golay平滑（SG）分别结合一阶导数（FD）、变量标准化（SNV）和多元散射校正（MSC）算法对近红外高光谱原始数据预处理的效果,SG平滑结合SNV的预处理算法效果表现最好,极大消除了噪声带来的影响,适用于番茄叶霉病样本和番茄潜叶蝇样本原始光谱的预处理。采用联合区间偏最小二乘算法（Si PLS）和遗传算法（GA）对番茄叶霉病样本和番茄潜叶蝇样本筛选特征波长。利用反向传播神经网络（BPNN）和K-最近邻法（KNN）建模方法建立健康样本与番茄叶霉病样本和番茄潜叶蝇样本之间的识别模型,GA-KNN模型对番茄叶霉病样本识别效果最优,对0级、1级、2级和3级样本的识别率分别为100.00%、95.24%、88.88%和90.91%,总体识别率为92.65%。GA-BPNN模型对番茄潜叶蝇样本识别效果最优,对各级样本的识别率和总体识别率都为93.33%。（3）提出基于太赫兹时域光谱的番茄病虫害检测方法。从太赫兹时域光谱图像中提取吸光度维度和功率谱维度的光谱数据,采用SG平滑结合SNV预处理算法去除噪声影响。采用主成分分析（PCA）和无信息变量消除法（UVE）对番茄叶霉病样本和番茄潜叶蝇样本筛选吸光度和功率谱维度的特征波长,并且根据特征波段提取特征图像进行分析。利用BPNN和KNN建模方法建立吸光度维度和功率谱维度下健康样本与番茄叶霉病样本和番茄潜叶蝇样本之间的识别模型。吸光度维度下PCA-KNN模型对番茄叶霉病样本识别效果最优,对0级、1级、2级和3级样本的识别率分别为100%、95%、100%和93.33%,总体识别率为96.67%。功率谱维度下PCA-BPNN模型和PCA-KNN模型对番茄潜叶蝇样本识别效果最优,两个模型对各级预测准确率都为100%、93.33%、93.33%和86.67%,总体预测准确率为93.33%。（4）提出一种改进后的多源信息融合的病虫害检测方法。以病斑面积占比、近红外高光谱数据和时域太赫兹光谱数据为基础,通过引进先验概率表和辅助变量,优化贝叶斯网络,建立改良后的番茄叶片健康状态诊断模型。通过融合三类先验信息,对番茄叶片健康参数变化量后验分布重新计算概率密度,健康参数变化量的估计结果得到了较大的改进。最终得到改良后的贝叶斯网络对番茄叶霉病样本的识别率为97.12%,对番茄潜叶蝇样本的识别率为93.35%。