近年来由于农业信息化的迫切需要,关于农作物病害识别的研究引起了人们的重视,对于常见的农作物病害识别问题很多学者从多个角度、利用多种方法进行了有效识别,但想要应用于实际生产中,仍然需要解决很多问题。从自然环境下采集农作物叶部病害进行有效识别,病斑提取的准确性、特征描述的充分性、分类器的分类性能都会对识别效果产生很大影响。因此,本文主要针对如何提高自然场景中的病害图像的识别效果进行了研究,主要工作如下：(1)为了提高农作物叶部病害的识别效果及实用性,增强特征描述能力,提出一种新的叶片病害图像分割及特征提取算法。首先,对自然环境中采集的病害图片进行不同颜色空间的预处理和分割,对分割结果图像进行融合处理；然后,对病斑区域提取模糊量化直方图、颜色聚合度作为颜色特征,利用颜色相似性度量函数计算颜色共生矩阵,提取病斑的纹理特征；最后,通过核主成分分析对颜色和纹理特征进行融合,并去除冗余成分,利用支持向量机对病害进行分类识别。实验对比结果表明,所提方法能充分描述叶部病斑特征,有效地提高了叶部病害的识别率。(2)针对单一分类器在病害分类识别上的局限性,提出一种基于多分类器选择集成的病害分类方法。首先,为了保证基分类器的识别效果和差异性,采用Simba算法进行特征排序,有针对性的进行特征采样构建特征子集,训练出多个待选分类器；然后对核主成分分析算法和Simba算法得到的分类器进行互补性计算,选择识别率高、互补性大的分类器参与集成；最后根据相应权值,对多个分类器进行加权投票获取最终结果。实验结果表明,该方法能较好利用多个分类器的预测结果,提高农作物叶部病害的识别效果及鲁棒性。