农作物害虫种类繁多且易爆发成灾,不仅影响农民的经济效益,而且也会对社会的稳定造成一定程度的影响。因此,如何有效识别农作物害虫是至关重要的。目前,国内外已经有大量的关于农作物害虫的研究,但大都是针对某一种害虫,不具有适用性,而农作物害虫由于种类繁多以及没有一个完整的统计,其识别和检测研究困难重重。随着计算机视觉技术、人工智能的发展,国内外的学者将计算机视觉技术与害虫的分类相结合进行了大量的研究,同时这也是专家研究的热点和难点。词袋模型最早应用于文本研究领域,最近几年,将词袋模型与计算机视觉技术相结合应用于图像分类的研究证明了词袋模型在图像领域的优越性。在此背景下,本文结合显著性检测和词袋模型,将收集到的2200张害虫图像作为实验样本,对农作物害虫的分类进行探索和研究。本文的主要研究成果如下:(1)本文研究了显著性检测算法。主要对AC、FT、HC、LC、ITTI、GBVS六种显著性检测算法进行对比分析,以保留害虫目标的完整性为原则,通过比较六种算法各自的优缺点,最后选择GBVS算法计算农作物害虫图像的显著图。(2)本文实现了感兴趣区域的提取。使用最大类间方差法对得到的显著图进行阈值分割得到二值化图,然后将二值化图与原图像相结合得到图像的感兴趣区域。实验结果表明通过对感兴趣区域提取特征比直接从图像中提取特征能有效的减少背景对目标分类的干扰。(3)本文实现了词袋模型的建模和SVM分类器的训练。采用surf算法提取感兴趣区域的特征,运用K-means算法对提取的特征进行聚类,最后利用SVM支持向量机完成分类器的训练,得到22个二元分类器,从而实现对农作物害虫图像的分类。通过实验结果发现,本文分类方法比传统的词袋模型方法的识别准确率提高了近10%。(4)本文分析了农作物害虫分类中参数对训练结果的影响,并从中挑选出最优参数。通过不断测试得出当K值为1200时,分类效果最好,达到了60.27%,其中稻纵卷叶螟的分类精度最高,达到了97%。其次为白粉虱,分类精度为92%。探讨了不同特征提取算法对分类效果的影响,实验结果表明基于surf特征的词袋模型的分类的正确率高于基于sift特征的词袋模型。其次,通过分析计算发现无论是本文方法还是传统的词袋模型,提取surf特征将能更好的表达目标。