三七生长于潮湿、温暖和遮荫等环境下,这类环境容易诱发各类疾病,其发病情况对三七的产量和品质有决定性影响作用,随着种植体量的增大,病害的种类和面积逐年增加。目前,在三七发病率预测方向,研究仍停留在定性描述三七发病率与气象因子关系;在三七叶片病害识别方向,仍依赖于人工主观识别或采用浅层模型进行检测,但这些方法存在预测与识别速度慢、准确率低、泛化性和鲁棒性差等问题,难以高效地掌握三七发病规律,从而不能有效地预警、及时地防治病害发生。为此,本课题基于机器学习开展了三七病害高发期的病害预测与识别研究,研究主要内容如下:（1）以逐年的5—9月气象数据集和发病资料作为训练集与测试集,气象数据包括:土壤温度、棚内温度、土壤热通量等10个指标,每个指标有7 200个样本,并将实地统计三七发病率作为发病资料。以随机森林算法作为基础学习机,采用均方差作为节点分裂标准,通过节点分裂、递归执行选取最优分枝的操作从100个子模型中筛选出最佳的随机森林三七发病率初步预测模型,然后通过梯度下降算法对该模型进行优化,降低其方差。（2）采集降雨、阴天、晴天、夜晚等多种环境条件下的三七叶片病害图像,并通过数据增强将样本容量扩充至32 400张,并以此作为训练集与检验集。病害种类包含疫病、黄锈病、炭疽病、白粉病、圆斑病和病毒病的三七叶片病害图像,输入s,m,l,x不同权重的模型进行训练,通过Precision-Recall曲线下面积的平均值（mean Average Precision,m AP）、并集上的广义交叉点（Generalized Intersection over Union,GIo U）,预测准确率（Precision）等指标优选出性能最佳的目标检测模型。结果表明:（1）通过主效应分析可知土壤温度与棚内湿度的皮尔逊相关系数在0.25～0.75之间,棚内的土壤热通量和三七冠层上方的土壤热通量与发病率呈负相关,其皮尔逊相关系数在-0.75～-0.25之间;通过梯度下降优化,定性、定量分析气象因子与发病率之间的关系,其中土壤温度正相关程度最大,权重为21.686,三七冠层上方的土壤热通量负相关程度最大,权重为-13.834,引入梯度下降算法以优化基础学习机模型并提高三七发病率预测模型预测能力和稳定性,模型优化后的预测病害发生率与三七真实病害发生率相比,较优化前准确率提高了3.79%,且预测出的发病率变化趋势与真实情况一致。该研究结果在通过田间气象因子预测三七病害高发期的发病率上具备可靠的预测能力,可为降低三七病害的设施环境调控成本和智能化管理提供理论依据和技术支持。（2）经过5 000次epochs,结果表明m模型在各个性能评价指标中表现均最佳,该模型能更好学习不同种类的三七叶片病害的特征,并且病部检测框能最大化逼近三七叶片病部,通过建立特征方程,可达95%以上的识别准确率;每1 000次epochs的各指标变化量表明,结构更复杂的模型提取的信息量更大,但m权重模型对有效信息挖掘与学习能力最佳;不同外界条件下对相同三七病害叶片图像的病害识别的准确率表明,m模型的识别准确率最高,在复杂外界环境条件下具备更好的泛化能力和鲁棒性。