在农业的生产过程中，杂草的危害触目惊心。全世界每年都会因草害致使农作物减产，造成巨大损失。因此，加强对杂草种子的自动识别研究,对杂草种子的检疫和鉴定工作都很重要。由于杂草种子种类繁多，不同生长期形态变化较大，杂草种子识别是一种高维、大量的目标识别和分类问题。本文采用成熟期的豆科类杂草种子作为研究对象，基于生物稳定遗传特性提取了杂草种子的形态学特征和HU不变矩特征，通过分析特征间的关系，设计了杂草种子分类识别系统。实验结果表明，该系统有效地提高了杂草种子的识别率。论文的主要研究内容如下：（1）传统方法是领域专家利用放大镜或显微镜进行目视分类，劳动强度大且需要目视判读者具有丰富的专业知识。本论文利用现代信息处理手段进行杂草种子的自动识别和分类研究，提高了识别率的同时减少了人为操作的时间。（2）对杂草种子图像进行直方图分析、图像分割、图像去噪和边缘检测等预处理，通过比较各类算法的优劣，提出基于形态学处理的边缘提取方法，提取出感兴趣的杂草种子轮廓信息，并将其从背景中分离出来。（3）针对豆科类杂草种子，基于生物稳定遗传特性理论，提取出种子的主要参数。这些参数主要包括9个形态学特征和7个HU不变矩特征，这16个特征具有平移、旋转和尺度不变性。由于杂草种子种类繁多，涉及到大量类别、高维数据的分类和识别的问题，因此需要对高维数据进行合理的降维。本文主要采用主成分降维法分析9个特征值得到4个主成分特征；结合聚类分析的分析方法，对这些高维、大量数据集进行合理的分类。（4）利用BP神经网络来评估图像特征组合与识别率的关系。实验结果表明，16个特征由于维数多，识别率高，采用PCA降维取得的识别率与16个特征值识别率相差不大，但由于神经网络易陷入局部极小值等缺点，采用BP神经网络识别率总体不高。故最终选取RBF核函数进行SVM建模，识别结果表明识别率得到明显提高。针对杂草种子大规模的训练集，SVM的寻优速度和分类速度及参数的选择均不太如人意，采用支持向量回归机的方式来训练样本，SVR的回归模型的性能明显优于前两者。