温室番茄病害已严重威胁到番茄产量和经济效益,抑制病害最为常用的方式是喷洒化学农药。然而,农药的频繁使用,造成温室生态平衡破坏严重,导致病害的抗药性能越来越高,作物抗病工作难度越来越大。因此,及时而精准地检测出番茄病害十分必要。传统的温室番茄检测方法是通过肉眼观察外观或者称重果实重量,再利用经验知识来综合判定番茄病害类别并划分等级。这种根据经验知识来判别病害种类和划分等级的方法受人为因素影响较大,不具备可靠性、稳定性和科学性。研究以平面特性更好、生存周期更长的番茄叶片作为研究对象,通过机器视觉技术和Matlab数学软件以及遗传算法神经网络模型,经过图像采集、图像预处理、特征提取、模型的建立和训练等过程,对常见的三种温室番茄病害早疫病、晚疫病、叶霉病做精确的定量研究,并且实现了每种病害严重程度的估测。在图像采集过程中,采用P2P监测和数码相机相结合的方式实现了温室番茄病害的早期监测和精准采集；在图像预处理环节,通过采用分治法对传统中值滤波算法进行改进,平均每幅图像的滤波速度提升9.8%；在图像分割过程中,通过改进的分水岭算法实现了叶片与背景的分离以及病斑的分割；构建了BP神经网络,并通过神经网络的反复学习和训练,得到温室番茄病害的训练结果；基于BP神经网络存在局部极小,网络不收敛,易陷入局部极值点的问题,采用遗传算法优化初始神经元之间的权值和阂值,从而优化BP神经网络,得到新的网络模型的精度较高,收敛速度更快。通过对GA-BP模型的测试,该模型对温室番茄早疫病、晚疫病、叶霉病的识别率分别达到了100%、98%、96%。在病害严重程度的估测方面,采用一种基于形状参数比值乘积的方法,将病害严重程度分为5个等级。