松材线虫病（Pine Wilt Disease）被称为松树的“癌症”。近年来,松材线虫病发生面积呈逐年上升趋势,给防控工作带来极大的挑战。松材线虫病的早期诊断是防治松材线虫病的关键,国内外研究者在该领域也做出了极为突出的贡献,其中基于无人机近地遥感早期诊断方式的研发,为林间高通量的早期诊断打下了坚实基础。然而,因其计算力的高要求及训练样本的真实性等问题,目前仍缺少大规模现场快速筛查方法,林间高通量早期诊断技术的大规模应用也因此受到限制。本研究中,通过反向定株的方式获取林间真实的松材线虫病早期症状的图像资料,结合不同机器学习算法构建早期诊断模型,并通过模型大小、运算速度、精度等多方面评价模型,开发一种基于林间真实数据的、计算力要求更低且满足精度要求的松材线虫病早期诊断模型。研究结果如下:1.通过比较受松材线虫病感染的松树和健康松树之间的高光谱（400-1000 nm）信息发现:光谱波段在638-744 nm范围内,健康的松树和受松材线虫病感染的松树之间存在明显的光谱差异。此外,比较R、G、B三个通道中感染早期、感染晚期、健康松树的灰度值,发现不同通道的灰度值差异明显,可用于区分健康树和感染早期、感染晚期的松树。据此,本研究通过无人机搭载高光谱成像仪的方法采集8-10月松材线虫病感染早期、中期、晚期的图像数据,单次取样间隔3-4周。图像预处理后通过三次采集的图片数据集来建立并训练模型（其中随机抽取75%的数据用于训练模型,25%的数据用于验证模型精度）。对数据集图像做出注释,即“AI”（感染晚期松树）和“PI”（感染早期松树）,用于后续模型的构建。2.对两种高级深度学习模型（Faster R-CNN和YOLOv3）和9种常规机器学习模型（k-NN、SVM-linear、SVM-Gaussian kernel、Gaussian process、decision tree、random forest、MLP-ANN、Ada Boost和Gaussian Na（?）ve Bayes）建立的规则目标检测模型进行大小、精度、处理速度比较,结果显示:这9种常规机器学习模型在大小和处理精度方面无法取得平衡;且只能从感兴趣区进行分类,无法从整体上对目标进行分类,不适用于大规模松材线虫病的识别诊断。因此选择另外两种深度学习的机器算法即Faster R-CNN框架和YOLOv3框架,利用这两种框架构建了四个模型:Faster R-CNN Res Net50、Faster RCNNRes Net101、YOLOv3 Dark Net53和YOLOv3 Mobile Net。评价四个模型的平均精度均值、模型大小、处理速度,得出YOLOv3Mobile Net模型小（95.272MB）、处理速度最快（1.393个样本/秒）,平均精度均值（0.632）仅略低于YOLOv3 Darknet53（0.64）,是四个模型中的最优选择。3.为进一步探讨所构建模型的应用价值,本研究重新选择一块松材线虫发生区域的样地进行验证。该区域内有三种处理方式:不砍伐枯死木（C）、保留枯死木（T1）及移除枯死树木（T2）,对该区域进行无人机图像数据的收集。利用已构建的4种深度学习模型（Faster R-CNN Res Net50、Faster R-CNN Res Net101、YOLOv3 Dark Net53和YOLOv3 Mobile Net）,对不同处理下松树的染病状态（感染早期或晚期）进行预测。结果表明,T1或T2处理下,第二年感染松材线虫病的马尾松（Pinus massoniana）数量均少于C处理。与T2相比,T1处理会减少当年枯死木的数量,但在次年会有更多的早期感染树木。为验证模型预测结果的准确性,在林间随机抽取15个被模型判别为感染晚期和30个感染早期的马尾松样品,用贝尔曼分离法和PCR检验法进行检验。结果表明45个样品均为阳性,证明模型预测结果的准确性较高。综上所述,本研究开发了一种基于普通无人机图像,应用深度学习算法模型（YOLOv3 Mobile Net）的高通量目标检测体系,用于林间松材线虫病的早期诊断。该体系具有计算力要求低、处理速度快以及检出率高等特点,适合在基层林业系统中推广应用。