水稻是我国单产量最高的粮食作物。在水稻种植管理过程中,精准施氮可提高其成穗率,降低病害发生率,从而有效提升终产量。为实现水稻氮素营养状况的准确识别,开展了基于机器视觉技术和高光谱技术的水稻氮素营养诊断方法研究。为实现基于机器视觉的水稻氮素营养状况分类诊断,以两优培九超级杂交稻品种为试验对象,设置4种不同施氮水平的水稻栽培试验。应用扫描仪获取水稻幼穗分化期及齐穗期的顶1叶、顶2叶、顶3叶的叶片及叶鞘图像。通过图像处理获取19项水稻特征指标,分别应用机器学习算法中的BP神经网络(BPNN)和概率神经网络(PNN)建立水稻氮素营养诊断模型。研究发现,幼穗分化期水稻顶3叶叶片特征最具区分度,可作为氮素营养诊断的有效时期和部位;识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%;叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。为实现基于高光谱的水稻氮素营养状况分类诊断,以中嘉早17水稻品种为试验对象,设置4种不同施氮水平的水稻栽培试验。应用地物光谱仪获取水稻分蘖期顶3叶光谱数据,通过MSC、SNV、SG三种方法进行光谱预处理,分别应用主成分分析(PCA)和连续投影算法(SPA)对预处理后的光谱进行特征降维和特征选择,应用机器学习算法中的支持向量机(SVM)建立水稻氮素营养诊断模型。研究发现,采用MSC-PCA-SVM模型对分蘖期水稻顶3叶进行水稻氮素营养诊断的准确率最佳,达97.5%。以上研究结果表明,机器视觉技术和高光谱技术分别结合机器学习算法可应用于水稻氮素营养诊断,为研究水稻氮素营养状况的精准、快速诊断识别提供了一种新途径。