以计算机视觉技术为重要技术手段，综合运用图像处理、植物生理学、色度学、模式识别等方面的知识，以无土栽培黄瓜为研究对象，先后完成了两次相同的实验，培育出了表现症状基本相同的三种缺素样本即缺氮、缺镁与缺铁样本和正常样本，利用CCD摄像头对样本进行采集。利用计算机视觉技术进行作物缺素的诊断研究，主要内容有： (1)提出了最大类间方差域值法分割叶片与背景，据此域值对各样本进行了边框裁剪。比较了不同窗口的中值滤波方法对各样本进行去噪处理，结果证明3×3的中值滤波方法滤波效果较好。 (2)利用几种常见的色度学系统即RGB颜色系统、Ohta颜色系统和HSV颜色系统对各样本进行颜色特征分析。根据作物缺素时表现的症状，提出了利用叶片绿体灰度值即G的灰度值与R和B的比值的数字统计特征来分析各样本的颜色特征；用不需去除背景的颜色系统(Ohta颜色系统)来对各样本进行颜色分析，检验最大类间方差法去除背景后是否影响颜色特征的提取，结果证明经最大类间方差法去除背景后不影响颜色特征的提取：利用HSV系统，确定出各样本的H色调值。分析了提取样本的纹理特征的几种方法即灰度共生矩阵法、边缘灰度直方图法和不完全树小波分解法。提出了用不同方向(0°，45°，90°，135°)的灰度共生矩阵特征值的均值和方差来提取样本的纹理特征的方法，这种方法消除了由叶片采集时的方向的差异而引起的纹理差异；提出了边缘直方图法来分析正常样本与缺素样本纹理特征，验证了最大类间方差法去除背景后不影响纹理特征的提取；在频域中根据人眼视觉特征，采用不完全树小波包分解法分析了各样本的纹理特征，这种方法比完全树小波包分解法要简洁，比金字塔法分析纹理特征要全面。据模式识别特征选择原则选取了较明显的颜色特征与纹理特征作为模式识别特征矢量。 (3)建立了各样本颜色特征与纹理特征随时间变化的关系；用化学分析方法对各样本中氮、镁、铁的含量进行了分析，建立了缺素样本相应元素含量随缺素时间变化的关系；建立了缺素样本颜色特征与纹理特征随所缺元素与正常样本相应元素的百分含量关系图。本研究通过化学分析方法验证了培育的缺素样本的正确性，验证了缺素样本对应的纹理特征与颜色特征的正确性。 (4)利用模糊神经网络建立了黄瓜老叶识别分类器和幼叶识别分类器，利用模糊K一近邻法对考试样本进行了检验，结果证明，神经网络识别的正确率几乎与经典的统计算法识别结果一样。 本研究为进一步开发具有商业价值的作物缺素判别系统提供了必要的理论依据和技术基础，对缩小我国在农业信息自动化领域与发达国家的差距，促进计算机图像处理技术在我国农业工程领域的应有具有一定的意义。