水稻是中国主要的粮食作物,实现水稻稳产、高产一直是我国粮食生产的重任。然而,每年受病害的侵蚀,水稻高产、稳产的目标受到严重阻碍。常规的水稻病害检测由于无法实时检测水稻病害情况,错过了水稻病害最佳防治阶段,同时也加大了农药的使用量。为此,本文研究了一种基于高光谱成像技术的水稻纹枯病病害早期检测方法。本文应用高光谱成像技术,对水稻纹枯病病害进行了早期快速无损检测研究。首先,利用高光谱图像获取染病水稻植株和健康水稻植株的光谱信息和图像信息,分别基于光谱特征和图像特征进行建模、分类与识别。其后,为优化模型性能,将叶绿素含量作为病害识别的又一个特征,与光谱特征和图像特征进行组合建模,并比较各个模型的性能。本研究对水稻病害的早期预防和提高水稻产量具有重大意义,为精细农业作参考。主要研究结果如下:(1)根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域(Region Of Interest,ROI),利用感兴趣区域的光谱数据,对其进行Savitzky-Golay(SG)平滑、Savitzky-Golay(SG)一阶求导、Savitzky-Golay(SG)二阶求导、变量标准化(Standard Normalized Variate,SNV SNV)和多元散射校正(Multiplicative Scatter Correction,MSC)预处理,建立线性判别分析(Linear Discriminant Analysis,LDA)和支持向量机(Support Vector Machine,SVM)分类模型。结果表明,采用SG二阶求导预处理后的线性判别分析(LDA)模型取得了最好的性能,正确识别率在建模集达98.3%,在预测集达95%。(2)利用载荷系数法对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据特征波长建立线性判别分析(LDA)和支持向量机(SVM)分类模型,其中采用SG二阶求导预处理后的线性判别分析(LDA)模型取得了最好的性能,其二阶求导后提取的 12 个特征波长为 453 nm、512 nm、529 nm、535 nm、547 nm、558 nm、675 nm、686 nm、693 nm、698 nm、705 nm 和 745 nm,其正确识别率在建模集达 97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可.以通过载荷系数法减少数据量对水稻纹枯病病害进行识别。(3)根据高光谱图像的图像维,研究了基于图像主成分分析,基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机(SVM)分类模型,其中基于图像主成分分析的反向传播神经网络(BPNN)模型取得了较好的性能,其在建模集准确识别率达90.6%,在预测集的准确识别率达83.3%。(4)根据高光谱图像光谱维和图像维,将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络(BPNN)和线性判别分析(LDA)模型。提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络(BPNN)建模方式取得本研究所有建模方式中最优的性能,其准确识别率在建模集达100%,在预测集达96.7%。