近年来,农作物病害的爆发呈现出危害加重和范围扩大的趋势,对农业安全生产和社会财产造成了重大损失,而随着科学技术的发展,仅仅依靠人工诊断的方式已不能满足现代化农业生产工作的需求。结合图像识别技术进行农作物病害的诊断,具有精确、高效的优势,已成为解决这一问题的重要途径。因此,对其相关技术展开深入研究具有重要的现实意义和应用价值。本文从兼顾病害诊断算法准确性和速度的角度出发,针对目前诊断方法在实际应用中存在的不足,重点研究病害图像的预处理算法、分割算法、基于传统机器学习和基于卷积神经网络（Convolutional Neural Networks,CNN）的诊断算法,主要研究内容如下:（1）针对单一滤波算法难以兼顾降噪性能和图像质量的问题,设计一种基于多种滤波器的混合叠加均值滤波算法,提高图像质量。针对因病害图像带有双重背景导致病斑难以分割的问题,结合病害图像特点,提出一种基于像素差值的分割算法,分割完整病斑图像。（2）研究并设计基于传统机器学习的农作物病害诊断算法。针对农作物病害图像信息复杂,单一特征难以准确描述病害图像信息的问题,提取图像的颜色、纹理和形状特征信息来表征图像。针对颜色特征提取速度较慢的问题,引入HSV（Hue Saturation Value）颜色空间,并通过非线性量化的方式进行改进,加快运算速度。针对纹理特征维度较高且稳定性较差的问题,引入旋转不变等价模式LBP（Local Binary Patterns）替换原始算子,降低特征维度并提高算法的稳定性。针对传统形状特征泛化能力差的问题,采用Hu不变矩作为形状特征,提高算法的适用性。针对融合后的多特征信息维度较高的问题,采用主成分分析法（Principal Component Analysis,PCA）对数据进行降维,并设计基于支持向量机（Support Vector Machine,SVM）的农作物病害多分类器用于病害图像的分类。（3）研究并设计基于卷积神经网络的农作物病害诊断算法。针对VGG16提取特征时感受野范围单一的问题,设计空间金字塔池化层替代最大池化层的方法,增大感受野。针对相似病害图像区分度低的问题,采用在原有损失函数中添加辅助损失函数的方法,提高算法的诊断准确率。调整VGG16网络结构,设计模型的训练流程。通过实验整合各模块并全面评估算法性能,基于本文自建数据集分别设计并进行基于传统机器学习和基于卷积神经网络的病害诊断算法综合实验,结果表明,基于卷积神经网络和基于传统机器学习的算法均具有优秀的性能,诊断准确率分别为92.1%和90%,而诊断用时分别为157.6ms和327.5ms。