针对传统的马铃薯病虫害检测方法效率和精度低的问题,本课题提出基于高光谱成像技术、光谱分析技术和相关机器学习方法相结合的形式,研究能够针对马铃薯病虫害进行快速精准的病虫害检测方法。根据卷积神经网络（CNN）和支持向量机（SVM）在分类过程中的不同特点,构建七种针对马铃薯病虫害的分类检测模型:支持向量机、一维卷积神经网络（1DCNN）、二维卷积神经网络（2DCNN）、一维和二维融合卷积神经网络（（1D-2D）CNN）、一维卷积神经网络融合支持向量机（1DCNN-SVM）、二维卷积神经网络融合支持向量机（2DCNN-SVM）、一维和二维融合卷积神经网络融合支持向量机（（1D-2D）CNN-SVM）。研究使用的高光谱成像设备获取的马铃薯病虫害光谱数据存在噪声等因素的影响,会影响模型分类效果,不利于马铃薯病虫害的诊断研究和实际应用。通过对获取的原始光谱数据采用多元散射校正（MSC）、一阶导数（D1）、二阶导数（D2）、SG平滑算法（SG）、标准化（SS）、趋势校正（DT）六种光谱预处理方法优化光谱数据,提升模型分类检测精度。在室内马铃薯叶片早疫病不同染病时期的诊断研究中,先用CNN进行特征提取,再使用SVM分类,能够使马铃薯早疫病不同染病时期的病害识别率达到100%,实现马铃薯病害的理想化检测。针对马铃薯早疫病不同染病时期光谱数据相互干扰导致识别效果不佳的问题,将光谱数据经过不同预处理方法优化后再通过分类模型进行分类检测。发现MSC在不同的机器学习模型中都能优化模型性能,使得实验结果测试集精度达到100%,可以得出MSC为针对马铃薯早疫病不同染病时期检测分类的最佳预处理方法,对其进行MSC处理后可以不通过优化机器学习模型方式使得对马铃薯早疫病不同染病时期的分类诊断精度达到100%。在室外马铃薯单一病害的诊断中识别精度同样能够达到100%。将诊断模型应用于大田环境下马铃薯复合病害的诊断中仍能够取得93.63%的识别准确率。再结合光谱预处理方法在大田环境下针对马铃薯复合病害的诊断精度可以提升至98.73%。可知本课题使用的模型和预处理方法能够较好的实现大田环境下马铃薯复合病害的检测分类,研究提出的马铃薯病害检测方法已经满足由实验到应用的基本条件。