果园害虫种类及数量的监测是果园害虫综合治理的基础,目前害虫监测方式主要是依靠人工现场调查与统计完成,费时费力。论文研究了基于机器视觉的果园性诱害虫在线识别与计数方法,探讨了在线监测设备与系统的样机构建,为推进基于图像的害虫自动识别与分类技术在实际果园害虫监测中的应用提供技术支撑。重点开展了以下四方面工作：(1)提出了一种基于形状因子和分割点定位的害虫图像分割方法。该方法通过设定形状因子阂值定位粘连区域,然后对该区域进行逐层轮廓跟踪、剥离和局部分割点的确定,利用局部分割点搜索边界轮廓的两个分离点,最后通过连接局部分割点与分离点进行粘连害虫分割。针对实验室环境下的桃蛀螟(Conogethes punctiferalis (Guerre))害虫图像,本文方法平均错误率为7%,约为分水岭分割方法的1/2,平均分割有效率为92.65%,比分水岭算法提高了5.7%；在对田间梨小食心虫(Grapholitha molesta (Busck))图像分割中,本文方法平均错误率为2.24%,平均分割有效率为97.8%,分别比分水岭方法降低了4.29%和提高了3.95%。(2)从形状不变特征与形状无关特征两种思路出发,分别研究了基于图像Zernike矩和颜色纹理组合的果园靶标害虫特征提取方法。在害虫图像Zernike矩特征提取中,构建了低阶Zernike矩和高阶Zernike矩两个特征组合,用于验证图像Zemike矩的阶数对果园害虫识别准确率的影响；在基于颜色纹理特征提取中,构建了RGB和HSV两种颜色空间下6种特征组合。(3)研究了基于多类支持向量机的果园害虫图像识别分类方法。通过利用网格搜索、遗传算法和粒子群优化算法三种方法对支持向量机分类器参数进行寻优得到：基于遗传算法的参数寻优结果表现最优。在此基础上,选择基于DAG-SVM的方法构建本文的多类SVM分类器,利用测试样本,对两类特征的测试识别结果对比表明：基于’db4’小波分解的HSV三通道纹理特征组合性能最优,不仅识别率达到了100%,而且时间成本最低。(4)果园害虫在线监测设备构建与算法验证。依据实际应用场景及参数对害虫监测设备的硬件和软件进行初步设计与实现。利用构建的监测设备进行了多组害虫识别试验,系统对单种非粘连、轻度粘连的害虫具有较高的识别率,平均识别率在95%以上,而对重度粘连的害虫,平均识别率为84.2%；在多种害虫识别时,分割方法的阂值需要根据害虫体积差异大小进行选择,多种害虫样本混合识别试验的平均识别准确率为87.67%。