本文主要研究基于图像识别的柑桔溃疡病智能检测技术。柑桔溃疡病是一种致毁性的植物检疫性病害，极易扩散，严重危害到农业生产，而传统的病害检测方法不能满足现代生产需要。本文以计算机视觉系统为主要手段，综合利用数字图像处理、统计学习、模式识别等技术，提出了一种快速准确检测柑桔溃疡病的方法，并在此基础上实现了柑桔溃疡病智能检测系统。本文的主要贡献是：　　首先，提出一种图像边缘摘要的方式来描述对象的边缘信息。图像边缘摘要的核心是采用多边形逼近的思想，利用链码表达图像边缘，进而生成图像边缘摘要。图像边缘摘要是图像形状的近似表达，能够使用很少的信息描述一副图像中所有连续边缘的位置、长度、方向等信息。使用图像边缘摘要代替原始图像进行模板匹配，在一定程度上减少了计算量并且提高了系统的鲁棒性。　　其次，本文提出一种新的Boosting学习算法，称为SceBoost算法。采用对称交叉熵作为弱分类器的相似性度量。利用Boosting学习方法进行特征选择时，不仅考虑候选特征的分类能力，还考虑候选特征和已选特征之间的分类结果相似性，这样能够将那些具有较强分类能力并且相对独立的特征优先选择出来，降低了特征选择中的冗余。我们将 SceBoost学习算法应用于柑桔溃疡病斑的特征选择中并对算法进行了优化。实验结果表明，SceBoost特征选择算法在没有增加时间复杂度级数的情况下，能得到具有更强分类能力和独立性的特征集。　　第三，Riesenhuber和Poggio模拟人脑视皮层神经活动提出了HMax模型，并在此基础上得到了HMax特征用于物体识别，该特征具有良好的选择性和不变性，在基于形状和纹理的灰度图像识别中取得了很好的效果。但该模型没有考虑在视觉系统中非常重要的色觉信息，不能准确的模拟彩色图像的识别过程。本文提出一种ColorHMax特征，在特征构造中我们模拟视皮层中色觉形成过程的得到一个层次模型，称为ColorHMax模型。本文用Boosting算法训练学习这种ColorHMax特征用于柑桔溃疡病检测，和其他特征空间的比较实验结果表明 ColorHMax特征在彩色图像识别上表现良好。　　第四，本文在级联AdaBoost分类器结构的基础上引入了辅助判决函数，提出了一种改进的级联 AdaBoost分类器结构。当样本被级联框架中的某级 AdaBoost分类器判为假后，使用该级的辅助判决函数对其进行二次判决。辅助判决函数不仅考虑了当前级分类器的判决结果，还考虑了前面分类器的历史判决信息，将两者的结果按一定方式组合起来进行综合的评价，可以达到更好的分析效果。本文在柑桔溃疡病病斑的检测实验中采用了改进的AdaBoost分类器级联框架进行病斑检测。实验结果表明，该方法与其他级联分类器结构相比具有更好的识别效果，能够提高检测的速度并且得到较好的检测效果。　　第五，本文提出了一种基于窗口合并的识别搜索方案，该方案针对类似柑桔溃疡病斑的局部特征差异较大而整体特征不显著的对象检测而设计。窗口合并的识别过程采用一种先部分后整体的思想。与常见的金字塔搜索方式和滑动窗口搜索方式相比较，窗口合并的识别方案在柑桔溃疡病自动检测系统中取得更好效果。　　第六，对论文提出的方法进行了实验探索，设计实现了柑桔溃疡病检测原型系统。