农业信息处理是实现农业信息化、发展农业现代化的重要环节,将先进的、高效的信息处理技术引入到农业生产和管理的各方面有助于优化资源配置,实现效益最大化。目前,基于数据挖掘和图像处理的农业信息分析技术及应用发展较为迅速,但常用方法在某些性能上表现不佳,难以满足实际需求。如何找到更加合适的解决方法或实现对现有方法的改进具有重要的研究意义。基因表达式编程是一种在函数发现、聚类、参数寻优等多方面具有良好性能的算法,与农业信息处理中的部分需求相吻合。本文研究其在农业信息处理上的性能,并应用到作物生长建模、种子品种聚类、低照度图像增强和叶片病斑分割四个实际问题上,为处理农业信息提供新的、更为有效的解决方案。本文主要工作和结果包括:1)基于基因表达式编程的作物模型挖掘方法研究。以影响番茄生长的主要环境因子为自变量,建立叶片二氧化碳交换率模型并预测。实验发现该方法能够有效地构建模型,实现较精确地预测。与目前常用的多元回归和BP神经网络建模方式对比后显示,基因表达式编程方法挖掘出的函数模型不仅具有更好的预测精度,同时拥有更强的鲁棒性。2)提出了基于数据权重与基因表达式编程的小麦品种聚类算法。依据属性权重设置数据样本相似度衡量标准,用基因表达式编程进行聚类。以小麦种子等其他常用数据集作为测试对象,结果表明所提方法相较于常用的聚类方法能够获得更好的聚类结果,且表现稳定。3)基因表达式编程优化的图像全局对比度的低照度图像增强方法研究。在增强方法中使用基因表达式编程进行参数寻优,获取最优效果。以室内采集的低照度植株图像为实验对象,将所采用方法与常用图像增强方法进行对比。实验发现,基因表达式编程优化的全局对比度增强算法处理后的图像在视觉感受上更加自然,在图像质量指标的评价上优于对比方法。4)提出了结合基因表达式编程和空间模糊聚类的病斑图像分割算法。使用基因表达式编程算法对基于聚类的图像分割方法进行优化,寻找最佳聚类中心。通过噪声图像和茶叶病斑分割实验证明,所提方法具有更好的抗噪性、更高的分割准确性,实现了对模糊聚类图像分割效果的优化。