稻飞虱是我国水稻上重要的一类迁飞性害虫，一般集中在水稻中下部为害。掌握稻飞虱田间种群密度动态变化是准确进行稻飞虱预测预报和合理防治的关键。目前，我国稻飞虱田间测报调查方法主要采取目测法、扫网法和盘拍法。这些方法存在着劳动强度大、计数准确性差和耗时久的问题，为了减轻植保人员田间飞虱调查的劳动强度、提高效率和准确性，刘庆杰等[1]利用图像处理技术来检测水稻基部飞虱与计数。本文在刘庆杰等的基础上，继续深入研究基于图像局部特征的水稻飞虱检测算法。主要研究内容和结果包括：（1）在水稻基部白背飞虱第一层检测算法的研究中，本文研究了训练样本的大小、数量和负样本的选择等不同组合下，训练基于haar特征的AdaBoost分类器，并用田间飞虱图像进行测试，从中选择最优的分类器作为第一层的飞虱检测器，该分类器的检测率为85.3%，误检率为99.1%。（2）由于第一层有很多的非飞虱被检测出来，造成较大的误检率，因此对水稻基部白背飞虱进行了第二层检测算法的研究。首先对第一层检测的子图像利用四种图像分类算法SPM(Spatial Pyramid Matching)、ScSPM(Linear Spatial Matching Using SparseCoding for image classification)、LLC(Linear Locality Coding for image classification)和opponentcolorsift融合HOG的SVM算法进行分类；统计分类结果的检测率和误检率，并进行分析和评价。结果表明基于opponentcolorsift和HOG特征融合下的SVM分类器具有较好的分类效果。本文在第一层检测得到子图像的基础上，对子窗口图像采用pyramiddense采样，并用opponentcolor描述；然后利用bag-of-words算法对图像中飞虱子窗口提取词袋特征，结合HOG(histogram of gradients)描述符描述子图；最后，用SVM分类器对飞虱子图像进行分类，获得飞虱的检测率和误检率分别为：67.3%，37.7%。第二层的检测率相比于第一层下降了18%，但误检率相比于第一层也下降了61.4%。从检测率和误检率上分析，上述结果还不能满足实际的田间飞虱调查要求，但本文的研究思路还是为后面的研究者提供了一定的参考。