我国是农业大国,每年害虫对农业造成严重的经济损失。综合防治害虫,减少经济损失的前提对是田间害虫种群动态进行实时准确地测报。利用测报灯来监测田间害虫是我国害虫主要的测报方法之一,它利用灯光诱捕昆虫,次日由植保人员进行人工识别与计数需要测报的害虫。这种人工识别与计数害虫的方法依赖植保人员的主观经验,存在监测任务重,客观性差和非实时性等问题。本论文利用图像处理与深度学习技术对放置于水稻田间的智能测报灯采集的灯诱昆虫图像进行研究,实现水稻测报害虫的自动识别与计数。主要研究内容和结果包括:(1)基于差值图融合的农业灯诱害虫图像背景分割算法的研究。首先,对原图像的B通道图像进行边缘补光。其次,采用一维最大熵阈值分割算法对原图像的B通道进行阈值分割。然后,采用形态学运算平滑边缘,去除噪点,填补轮廓内部空洞,设定阈值去除无效区域和边界连通域。最后,将获取的二值图掩模映射到原图去除背景。鉴于单独使用B通道图像提取的二值图掩模不完整,提出了使用原图像RGB三通道的图像构建差值图,进行二次分割并与原二值图掩模进行融合的算法,保证了二值图掩模的完整性,为后续的分割与识别奠定了良好的基础。(2)基于极限腐蚀膨胀的粘连昆虫分割算法的研究。首先,通过对粘连图像的各项属性进行统计,设计了粘连区域的判别标准。其次,通过四层不同尺寸的核对粘连图像进行腐蚀膨胀,提取所有的连通域构建候选连通域集。然后,设定一系列阈值和判别标准对候选连通域集的元素进行筛选,去除重复的连通域和未分割成功的连通域。最后,提取候选连通域集剩余的元素作为最终的单个昆虫连通域集。(3)基于深度学习的农业灯诱害虫自动识别与计数算法的研究。首先,对单个昆虫图像进行旋转摆正和统一尺寸。然后,通过面积阈值确定单个目标图像进入小型或大型昆虫识别的卷积神经网络进行分类。最后,对识别为测报的目标害虫进行计数。测试结果表明小型昆虫分类模型resnet18表现最好,白背飞虱和褐飞虱识别率分别为90.7%和85.5%,小型非目标识别率95.2%。大型昆虫分类模型resnet50表现最好,其中大螟、稻纵卷叶螟和二化螟识别率分别为92.5%、95.0%和95.2%,大型非目标识别率95.7%。本文提出基于图像处理和深度学习的灯诱害虫识别算法实现了水稻5种测报害虫的识别和计数,算法具有较高的鲁棒性和泛化性能,能够满足实际应用的需要。