针对目前我国在杂草防治上主要靠大面积喷洒化学除草剂而带来的环境污染问题，应用计算机视觉技术来识别玉米苗期田间杂草并确定杂草的位置和生长状况，从而为玉米苗期田间精确喷洒除草剂的自动化作业提供理论与技术支持。主要研究内容如下： (1)根据研究的性质和要求，分析了影响系统性能的因素，在综合考虑性能价格比的基础上，选择既能满足研究所需的性能要求、又能进一步扩展的计算机视觉硬件，组成计算机视觉系统。选择了合适的摄像高度和摄像角度，对系统的线性尺寸进行了标定。为了使杂草识别系统对光照强度、土壤湿度的变化具有较强的适应性，杂草图像的获取是在自然环境下进行的。 (2)利用自行开发的AOI(感兴趣区域)工具，通过对不同土壤湿度、光照强度和残茬覆盖率下的杂草图像进行颜色指数测定与分析，指出色度及过绿特征对光照强度、土壤湿度、残茬覆盖率、植物阴影的影响不敏感，且在植物与非植物之间存在足够的对比度，但不能用于玉米与杂草，或阔叶杂草与窄叶杂草的识别。 (3)没有归一化的过绿特征受自然环境的影响较小，当取全局阈值30时，就能够有效识别植物与非植物背景，正确识别率在99％以上。 (4)利用修正的色度公式，由判别分析法确定色度阈值，对杂草图像进行阈值分割，能够有效地识别植物与非植物背景，正确识别率在99％以上，但色度的计算量大于过绿特征的计算量，不利于杂草识别速度的提高。 (5)提取了杂草与玉米的宽长比、第一不变矩、伸长率、圆满度圆度以及细化厚度等形状特征，指出宽长比和不变矩是识别阔叶杂草与窄叶杂草的最有效特征，正确识别率达93％；细化厚度是识别玉米与窄叶杂草的有效特征，正确识率达90％，但获取细化厚度比较费时，且与作物及杂草的生长状态有关，应对其进行实地标定。 (6)设计了用于杂草形状识别的BP网络，结构为6-12-3，并对学习误差、隐层结点数对网络性能的影响进行了研究。试验结果表明，形状识别神经网络能正确识别玉米、阔叶杂草与窄叶杂草，识别正确率在90％以上。 (7)针对区域标记存在速度慢、重复扫描图像等不足，改进了轮廓跟踪算法，使区域标记与轮廓跟踪有机地结合在一起，提高了处理速度，同时改进了面积计算方法，避免了筛选和排序。 (8)利用Visual C++编制了一套杂草识别软件，可用于图像分析和AOI试验，为计算机杂草识别系统的研发提供了软件和技术支持。