在畜牧业、农业以及草地管理项目中,草地牧草识别是草地数字化最重要的环节之一。目前牧草识别主要依靠人工识别,不仅需要专家资源还需要实地采集样本,费时费力,效率较低,因此,本文以牧草为研究对象,实地采集牧草图像并建立数据库,研究牧草图像快速分割识别分类方法。主要研究内容如下:（1）采集并建立牧草图像数据集。本文的牧草图像数据集均通过佳能相机EOS60D在自然光下拍摄。共采集六类牧草图像,分别为冰草、南苜蓿、老芒麦、无芒雀麦、蒙农三叶草、蒙农红豆草。考虑到算法时间复杂度和空间复杂度的差异,除建立简单背景下牧草相关数据集之外,与之对照,又建立了草地复杂背景下牧草图像数据集。（2）提出基于颜色增强的简单背景牧草图像分割与识别方法。首先,对牧草图像进行颜色空间转换,根据图像颜色频度直方图中占比前85%的颜色构建新的颜色调色盘,计算图中其余像素点到盘中颜色的距离,选择距离最近的颜色将其覆盖,生成特征图。对特征图像素点进行层次聚类与K-means聚类。将聚类后的牧草图像外轮廓的HU不变矩作为特征值,通过随机森林决策识别,并加入6折交叉验证后实验结果发现,识别精度提高了18%-46%。（3）提出基于LUV-L分量与Grab-Cut的复杂背景牧草图像分割方法。首先,进行图像的预处理操作,将牧草图像去噪,并增强图像的对比度;然后将牧草图像转换到LUV颜色空间并提取L通道的特征图,最后对处理后的特征图采用Grab-Cut方法进行分割。实验分割出来的目标区域像素面积与标准手动分割目标区域像素面积平均比为91.64%,相比FCM、Extreme C3、Deeplabv3+等方法分割效果较好。