小麦条锈病是小麦叶部的主要病害,由于受条锈病侵染的小麦叶片上会附着条锈孢子,使叶片无法正常进行光合作用,从而使叶片枯死,严重降低小麦的产量和品质。而防止小麦条锈病大规模入侵,保证产量最有效经济的手段,就是在小麦条锈病的易感地区培育具有良好抗性的小麦品种。在小麦条锈病抗病育种过程中,对小麦条锈病侵染型级别进行鉴定可以初步判断小麦对条锈病的抗性,这是抗性鉴定的重要步骤。目前小麦抗条锈病育种工作者对小麦侵染型级别鉴定仍然停留在人工鉴定阶段,一方面存在模糊性、主观性、缺乏持久性的局限性,另一方面人工鉴定的效率低下。采用机器视觉技术比人工诊断有着很强的优越性,依托机器视觉技术代替人工进行决策能够保证鉴定的一致性、可持续性以及可普及性,同时随着手机等各种移动智能终端的推广,利用机器视觉算法和移动终端联合对小麦条锈病侵染型级别进行判定是一种便捷快速的手段。故本文以小麦条锈病为研究对象,研究基于机器视觉技术的快速、准确识别该病害侵染型级别的方法,并设计了一款基于Web网页的小麦条锈病侵染型级别判定系统以供用户终端访问。主要从以下三个方面进行研究并取得了一定成果:（1）复杂背景下叶片分割算法研究为了将小麦叶片从背景中分离出来,本文从聚类分割、实例分割、语义分割三个角度设计了基于YOLO引导的GrabCut算法、Mask R-CNN算法和DeepLabV3算法的叶片分割方法。为了测试三种算法的性能,使用测试集和额外数据集对三种模型使用PA、IoU和单幅图像预测时间三项指标进行测试。结果表明,在测试集上三种模型的PA均在90%以上,IoU均在80%以上,但YOLO引导的GrabCut算法单张图片预测时间最长;在额外数据集上YOLO引导的GrabCut算法和Mask R-CNN模型的PA均在80%以上,IoU均在78%以上,但DeepLabV3算法分割精度下降过多,PA和IoU只有72.72%和63.66%。结果表明Mask R-CNN模型更适合叶片分割任务,后续研究均使用基于Mask R-CNN算法的叶片分割方法。（2）基于C-DenseNet的小麦条锈病侵染型级别判定算法针对受不同程度条锈病侵染的小麦叶片之间差异微小的问题,本文把研究归纳为细粒度图像分类问题,提出了一种新的深度学习网络C-DenseNet,该网络将卷积块注意模块（CBAM）嵌入到稠密连接的卷积网络（DenseNet）中。本文使用C-DenseNet及其变体在小麦条锈病数据集（在田间使用多种移动设备收集,并依照侵染型级别判定标准分为六个等级）上进行对比验证。对比实验表明,C-DenseNet的测试精度达到97.99%,优于常用的DenseNet（92.53%）和ResNet（73.43%）。GradCAM++网络可视化也表明C-DenseNet在决策时能够更加关注分级的关键领域。结果表明,具有注意力机制的C-DenseNet适用于在田间条件下的小麦条锈病分级。（3）小麦条锈病侵染型级别判定系统在上述方法的基础上,设计了基于B/S架构的小麦条锈病侵染型级别判定系统。使用HTML+JavaScript+CSS搭建了前端Web网页,实现了使用浏览器调用摄像头拍摄小麦条锈病叶片、发送给服务器以及接收侵染型识别结果、侵染型级别描述等功能;在本地服务端上使用Django框架搭建了后端系统,部署模型池并加载叶片分割模型和条锈病侵染级别判定模型,使用MySql存储图像及识别结果,并通过使用Nginx+uWSGI框架设置多进程加快了多用户并发处理速度。实验结果表明,单用户在网络环境良好的条件下整个过程用时2.5秒,基本满足田间调查的需要,系统识别准确率为93%,满足田间调查的精度要求,同时模拟一百个用户进行并发测试,平均响应时间为32s,基本满足了实时性的要求。用户通过简单操作就可以快速获取小麦条锈病侵染型级别以及相应的病害描述,给田间实践提供了一定的指导价值。