马铃薯的早疫病和晚疫病是马铃薯种植过程中最高发也是最具威胁的病害,病害的防治对于马铃薯的产量起着决定性作用。但早期的早疫病和晚疫病比较相似,很难区分,而且传统的病害诊断方法容易受诸多因素影响造成误判、诊断效率低等问题。高光谱成像技术可以连续动态监测,能及时准确地掌握农作物病害情况,还具有高分辨率、多波段、波段窄、光谱范围广和图谱合一等特点,对农作物病害研究极具价值。本研究基于高光谱成像技术对早期的马铃薯叶片早疫病和晚疫病进行检测分类研究,为了弥补单独使用光谱特征或图像特征的不足,本文将高光谱图像的光谱特征和图像特征进行融合,以达到精确识别马铃薯病害的目的。首先,使用高光谱成像系统采集366.66-976.41nm波段范围内的马铃薯早疫病、晚疫病和健康叶片高光谱图像。由于高光谱图像具有高维数据,其中含有大量冗余信息,不同波段间相关性较大,对于数据处理的精确度会产生较严重的影响。特征波长选择可以选取出全波段光谱中最有用的信息,简化模型,提高后期建模效率,所以论文使用主成分分析和二阶导数法从光谱维提取出早疫病叶片的特征波段长574.50nm、675.20nm和724.50nm,晚疫病叶片的特征波长572.29nm、675.11nm和780.33nm。然后,通过颜色矩提取出颜色特征,通过灰度共生矩阵提取出纹理特征,利用掩膜去除了图像背景,并做特征融合,即基于特征波长提取纹理特征,基于掩膜提取颜色特征。颜色特征和纹理特征都描述了图像的表面性质,与光谱特征融合后就结合了图像的内部和外部性质。最后,建立BP神经网络和SVM模型,分别对高光谱图像、高光谱图像纹理特征、高光谱图像颜色特征、特征图像、特征波长与纹理特征的融合和掩膜与颜色特征的融合进行分类识别。结果表明应用高光谱成像技术结合BP神经网络对马铃薯早疫病和晚疫病进行早期检测是一种可行有效的方法。与使用原始高光谱数据相比,使用特征融合数据建立的模型识别率更高。基于特征图像、特征图像下的纹理特征建立的BP神经网络识别率达到了100%,基于掩膜与颜色特征的融合数据识别率也达到了97.5%,分类识别效果较好,这证明在基于高光谱成像技术的农作物病害识别应用中,数据融合具有一定的优势。