花生是重要的经济作物。在传统的种植过程中,花生非常容易受到病害的威胁。为了减少病害的威胁及提高农作物的产量,种植者往往喷洒以及浇灌大量的农药,这将造成大量的农药残留和污染环境。随着时代的不断向前发展,为了降低病害的影响、减少农药的使用,提高农作物的质量来满足现在的人们对食品安全的要求。如何能及早发现病变并科学分类是减少并提高药物使用效率的重要依据。数字化农业的推进是解决此类问题的关键。本文采用以计算机视觉技术为手段,结合图像处理技术,选取了花生种植中常见的两种病害:黑斑病、褐斑病做为研究对象。形成了一个相对完整的可自动采集、预处理和病斑区域的分割技术。通过提取病斑区域的颜色、形状、以及纹理特征实现特征参数的提取和判别模型的构建;采用支持向量机SVM的分类方法来进行对花生叶斑病进行分类;通过粒子群优化算法寻找最佳的惩罚因子系数,以及采用交叉验证法来确定核函数中的方差从而提高病害分类的准确性。本研究主要以计算机视觉技术为一定的基础条件,为实现花生叶部病害在田间实时在线检测、识别和分类提供了可能。对花生种植业的病害发现、分类、防治等具有指导意义。论文主要开展的研究工作有以下几部分:1,图像的获取和预处理。通过数据采集装置进行数据的采集然后将数据信号传送到计算机,计算机首先对原始数据进行保存,然后调用图像处理装置。由于原始数据在自然光的条件下获取,首先需要对原始数据进行自适应中值滤波去噪,然后进行颜色、纹理、形状特征k值的提取以及阈值分割等。2,对超绿算法的改进。超绿算法在绿色作物图像分割中具有广泛应用。本文结合花生病害的特点对传统的超绿算法进行了改进,通过改进的超绿算法能够有效的获取清晰的花生病斑图像。主要步骤如下:分析了花生叶片中存在的噪声的特点,噪声一般分为细小的颗粒状噪声、椒盐噪声等。首先利用自适应中值滤波算法去除细小的颗粒状噪声和椒盐噪声,其次将其它类型噪声选用选择性孔洞填充将其完善去掉,并使用MATLAB工具,最终得到清晰的花生病害图。此方法有效的还原了花生病斑的原始数据为后期的花生病害准确识别提供保障,能够对植物病害快速准确的自动识别诊断,有利于克服人眼视觉识别系统的主观性、经验性、效率低等特点。3,病斑分类。对于提取的特征数据值,采用支持向量机的粒子群优化算法进行病害分类。采用这种方法进行分类该实验成功筛选出了两种病斑且正确识别率很高。惩罚因子即对误差的宽容度,其系数越高容忍度越低。本论文的研究内容对提高花生病害实时准确性识别,推动我国的数字化农业的发展具有现实意义与明显的应用前景。