叶片是植物进行光合作用最重要的器官,其健康状况是保证梨树稳产、高产、优产的重要保障,直接影响到我国现代梨产业的可持续发展和经济效益。在梨的实际生长过程中,叶片病害,特别是炭疽病是导致梨树落叶进而影响梨产量的重要因素。由于炭疽病侵染叶片后形成的小黑点属于极小目标,难以被肉眼识别,很容易错过梨叶部病害的最佳防治时期。长期以来,许多科研学者需要采集大量的叶片,带回实验室进行人工检测和统计,不仅劳动量大、耗时长、效率低,而且容易误判。因此,如何实现梨叶炭疽病的智能化、自动化检测,提高梨树病情的诊断效率,及时进行综合防治,是一个必须要解决的实际问题。针对上述问题,本文从机器视觉的角度展开研究,主要内容如下:（1）提出了 一种基于超绿特征结合局部自适应阈值算法的炭疽病目标区域提取方法。在小目标检测方面,区域提取是至关重要的一环,直接影响到后续的检测效果。由于传统的滑动窗口以及Selective Search算法等提取时间较长且提取到的目标区域很多并不是有效区域,不适用于小目标,因此本文结合了超绿特征与局部自适应阈值分割算法,使其成为本文专用的小目标区域提取算法,同时对比了该算法与基于颜色通道差值的算法以及基于Sauvola的算法,实验证明该算法能够在提取有效病斑区域的同时减少大量的非病斑区域目标,效果优于其他两种算法,且运算速度快。（2）提出了 一种基于多类特征融合的炭疽病识别算法。本章提出了改进的颜色矩,即细粒度颜色矩FG-CM（Fine grained color moments）用来描述病害区域的颜色特征,用LBP来提取病害区域的纹理特征以及用HOG来提取病害区域的形状特征,将三种特征进行融合,并采用随机森林算法对融合做特征选择,降低特征维度,减小算法的时间复杂度,最后得到的特征就是最优的梨叶病害区域融合特征,最后将这个特征送入BP神经网络、SVM以及随机森林分类器进行分类得出识别结果,并分别对三类特征在识别中的重要性进行探讨。实验结果表明,采用三种融合特征对梨叶病害的识别效果均优于单项特征以及两两组合的特征提取算法,并且随机森林分类器识别效果均高于SVM以及BP神经网络,对炭疽病识别的效果最佳,准确率高达97.27%,召回率达到98.19%,在颜色、纹理以及形状三类特征中,颜色特征起到了最关键的作用。（3）提出了一种基于EXG-CNN的多分辨率炭疽病检测算法。深度学习是目前较热门的技术,其中目标检测是最为火爆的研究方向之一。目标检测分类三个部分,即候选框提取、特征提取以及分类,针对一些经典的目标检测算法很难检测出极小目标的问题,结合CNN和图像金字塔,在候选框提取方法上做改进,将图像上采样,在不同分辨率下提取出不同的病斑区域候选框,从而提高极小目标检测的准确度,同时对比了 BP、SVM、RF、R-CNN、Faster R-CNN以及SSD算法和本文提出的算法在同一数据集上进行的实验结果,结果表明本文提出的算法更加适用于梨叶炭疽病的检测,准确率为98.85%,召回率为99.23%,均高于其他几种方法。