田间杂草自动识别技术是变量喷洒技术实现的关键前提。在田间实际环境下往往存在光照、遮挡等因素影响植物叶片特征参数的获取，同时针对田间杂草的识别的方法还存在准确性差、效率低等问题。本文为解决上述问题，提高杂草识别的准确性和效率，以玉米田间杂草为研究对象，研究基于多光谱图像融合的土壤背景分割方法，在分离植物叶片并提取植物叶片形状、纹理和分形维数三大类特征的基础上，研究了基于C4.5算法的多特征组合、基于SVM-DS的多特征融合、基于PCA和SVM杂草识别等三种杂草识别算法。本文主要工作和结论如下：（1）根据目前国内外杂草识别研究中存在的问题和田间除草的实际需求，开发了由移动小车、多光谱视觉系统、便携式移动计算机以及电源系统组成的田间多光谱图像采集平台。该平台实现了杂草与作物图像的田间实时采集，从田间实际环境出发为自动除草的实现进行探索和研究。（2）以玉米田间刺儿菜、灰菜和田旋花等3种常见杂草为研究对象，利用田间图像采集平台上的MS4100多光谱照相机采集杂草多光谱图像，通过对比IR-R、G+IR-R、IR-R-GR、IR./R这4种融合方式在不同光照情况、不同土壤湿度以及不同地面残渣覆盖3种情况下的分割效果，探明用IR-R融合方式并结合Otsu阈值分割法，能有效将植物从土壤等田间背景中分离出来。（3）研究了适合杂草识别需要的植物叶片形状特征、纹理特征和分形维数的提取方法。从叶片轮廓中提取了矩形度、伸长度、宽长比、致密度、圆形度和第一不变矩等6种形状特征参数；采用灰度-梯度共生矩阵法，利用灰度和梯度分别描述图像中叶片的内部和边缘信息，提取小梯度优势、灰度不均匀性、能量、相关性和惯性等5个能有效区分杂草的纹理特征参；采用毯子算法提取了植物叶片的分形维数。（4）提出基于C4.5算法的多特征组合杂草识别方法。该算法简单准确率高，将形状特征参数、纹理特征参数、分行维数等特征作为输入量，构建了多特征组合的杂草识别模型，能够实现较弱分类（单特征）决策对较强分类（多特征组合）决策的有效支持作用，在一定程度上减小了单特征识别中样本个体间的相似性等而引起的错识别。试验结果表明，在多特征组合中，形状+纹理+分形维数组合的识别效果最好，识别率为97.22%，高于纹理特征和分形维数、形状特征和分形维数两两特征融合的识别率。（5）研究并提出基于SVM-DS的多特征融合杂草识别方法。充分利用SVM在解决小样本分类问题上的优越性以及DS证据理论的多特征信息融合能力，有效降低冲突特征对识别结果的影响。首先采用“一对一”多分类SVM给出各证据体（杂草特征）在同一识别框架上的基本信度分配（BPA），再用基于矩阵分析的DS融合算法对其进行融合，根据决策规则得到最终识别结果。试验结果表明，多特征融合识别的平均正确率达到96.11%且波动较小，准确率和稳定性明显高于单特征识别。（6）研究并提出基于PCA和SVM的杂草识别算法。用PCA将原有的12维特征数据降为6维，保留了对分类有较大贡献率的特征，极大地压缩了特征空间，从而降低了分类器输入维数和学习复杂度，实现了杂草快速有效识别。试验结果表明，降维前后的识别率分别为95.83%和97.22%；识别用时分别为0.0102s和0.0056s。表明采用PCA降维后的数据来取代原有的特征参数进行杂草识别是完全可行的。该算法在保证识别率的同时，大幅度的减少了杂草识别算法的时间。（7）在基于同样的训练集和预测集的基础上，对比了C4.5算法的多特征组合方法、SVM-DS的多特征融合方法以及基于PCA和SVM的杂草识别3种识别方法的优劣。发现前2种方法算法简单，但都通过线性组合或变化的方式来实现多特征信息的利用，比较依赖于特征数据或信息的获取，同时易受冲突或矛盾特征的影响而稳定性差；SVM-DS的多特征融合，由于采用DS融合算法其更加注重特征信息之间的相互影响或支持作用，能有效降低个别异常特征的影响，稳定性和准确性好。其不足之处是，算法略微复杂且BPA的获取比较困难。