中国的南方气候温暖、雨水充沛、土壤肥沃,一年四季都适合蔬菜生长。广东省的蔬菜种植面积、生产产量以及消费量都是全国第一。但在蔬菜种植过程中,不可避免会受到虫害的危害,尤其是南方湿润的气候特别适合害虫生长。虫害降低了蔬菜的产量和质量,蔬菜种植人员为了防治虫害,最常用的方法是喷洒农药,从而导致蔬菜农药残留超标,严重影响人们的身体健康,过多喷洒农药对环境也会造成严重的污染。为了能有效防治蔬菜虫害,同时减少农药使用,需要将现代智能信息技术应用在蔬菜害虫防治上,通过建立基于智能的云平台的蔬菜害虫监测预警系统,在虫害发生早期及时发现害虫,掌握害虫种类和发生数量,发出相应的预警信息,使害虫在小范围发生时能及时防治,从而减少农药施用及其对环境的污染,减少虫害带来的经济损失,提高害虫的综合治理水平,实现农业害虫精准防治,促进精准农业的发展。随着现代信息技术的进步,机器学习等智能技术的应用越来越广泛,在各行各业取得了良好的应用效果。目前在关于蔬菜害虫的监测研究中,利用计算机视觉技术、机器学习去研究和监测小体型蔬菜害虫的动态发生规律的较少。论文围绕南方蔬菜主要害虫烟粉虱、黄曲条跳甲、小菜蛾和蓟马等开展调查和研究,建立南方蔬菜重大害虫监测识别预警系统。论文的主要工作如下:（1）设计一种适应场景光照变化的害虫图像数据采集节点装置。传统获取害虫数量种类主要是通过人工在田间采集,费时费力。本文设计的害虫图像数据采集节点装置,可以远程自动采集害虫图像数据。该节点装置包括害虫诱捕模块、能自动采集害虫图像的监测模块、能为装置提供动力的太阳能模块。（2）提出基于形态学与机器学习的蔬菜害虫识别方法。首先使用基于HSV颜色空间的诱捕板区域识别,用形态学方法进行图像去噪声和孔洞填充;第二,采用随机森林的边缘检测算法对害虫目标进行分割提取;第三,使用SIFT对目标害虫图像块进行特征提取,应用K-means对害虫特征进行聚类;第四,采用特征袋（Bag of Features,BOF）模型对害虫图像进行特征表示,构建蔬菜害虫的BOF模型,建立害虫视觉字典,然后使用字典对害虫图像进行处理,统计害虫图像块中各视觉词汇出现的频率,以此构建出害虫图像的描述向量;第五,将BOF模型与SVM分类器结合进而对蔬菜害虫进行分类识别、计数。（3）构建蔬菜虫害发生回归预警模型。首先对机器学习获得的蔬菜害虫数量使用K-means进行聚类等级划分;然后对环境传感器采集的环境数据进行处理,使用主成分分析法对处理后的数据进行降维,得出主成分因子;最后使用回归模型,建立蔬菜虫害发生等级与环境因子相关的预警模型。通过获取环境因子的参数,就可以得出蔬菜虫害发生的等级,为精准指导农业生产提供助力。（4）建立基于云平台的南方蔬菜重大害虫监测识别预警平台。该平台可自动采集蔬菜害虫的图像,对获取的图像进行害虫识别和计数,并将害虫数量信息快速反馈给植保人员,具有广泛的应用前景。（5）进行南方蔬菜害虫识别监测实验和分析。按照所设计的试验方案,在广州市3个不同行政区的农场和科研基地里,分别部署多类型的气象传感器和土壤传感器及无线网络节点,获取高分辨率的害虫图像和环境气象数据,构建环境气象因子与害虫数量的蔬菜害虫预警模型,开展跨区域远距离的综合性网络试验。实验分析害虫图像数据采集节点网络数据传输速度,得出数据传输速度平均为166.77 kbps;综合能量消耗情况和节点传输数据的丢包率,确定传输数据包的大小为1KB以内;分析蔬菜害虫识别监测系统的识别率,通过对蔬菜害虫图像分别进行算法计数和人工计数,识别率整体达到91%,可满足实际应用的需要;最后对蔬菜害虫监测的害虫数量与环境气象数据进行相关性分析,建立蔬菜害虫监测预警模型,其预测准确率达到84%,可以有效地为蔬菜种植人员提供害虫预测、预警支持。论文的主要创新点体现在:设计一种适应场景光照变化的害虫监测无线采集节点;提出基于机器学习的分类识别算法,结合数学形态学、K-means以及视觉词典等算法的蔬菜害虫快速监测算法,算法提高检测的鲁棒性,能够适应部分区域形状变异,而且在匹配过程中能够适应光照变化,从图像中将烟粉虱、黄曲条跳甲、小菜蛾和蓟马四大典型害虫准确识别出来;构建环境气象因子与害虫数量的蔬菜害虫预警模型,为精细农业发展提供重要的技术和信息支撑,为农业生产单位和管理单位提供决策支持,以指导蔬菜种植人员针对虫害的发生及时采取防治措施。