当前，我国大型现代化种植农业的主要病虫害之一就是稻飞虱，其发生具有“广泛性、突发性、迁飞性、隐蔽性、毁灭性”的特征，对水稻的生产造成了严重危害。将图像处理技术应用于水稻田稻飞虱判别是当前处理稻飞虱的有效方法。　　目前，我国稻飞虱田间识别分类方法主要采取目测法、扫网法和等。这些方法存在着工作量大，准确性差，且耗时长等问题，为了减轻植保人员田间飞虱分类识别的工作量，保证分类识别的准确性，刘德营、赵三琴等人将图像处理技术应用于田间稻飞虱的分类和识别，常见的处理方法是BP神经网络算法和PSO算法。　　因此，本文提出了一种基于BP神经网络和PSO方法的UDPSO-BP混合型算法和一种PSO算法优化后的细菌觅食算法和BP神经网络相结合的PBFO-BP混合算法，应用于稻飞虱图像的分类识别。　　首先，本文总结了稻飞虱图像发展的发展近况和常见算法。针对稻飞虱图像处理较常见的是BP算法、PSO算法及其相应的改进。　　其次，引入了入HLS模型替代传统三基色模型实现对水稻田稻飞虱图像的预处理操作。在图像预处理过程里，灰度化是预处理的一个关键环节。传统的基于 RGB彩色空间的简单色彩转换的方法会丢失大量有用信息[5]。因此HLS模型替代传统三基色模型实现图像灰度化较好地保证灰度化。　　此后分析常见的稻飞虱图像特征，实现特征值提取，所提取两种特征值，即改进后的几何Hu矩值和Yap等人的Krawtchouk矩值以及Zernike矩值进行训练和测试。　　然后利用 PSO训练获得最佳的 BP网络权值和阈值，最后对目标图像进行识别分类。在寻求最佳的网络权值和阈值阶段引入基于均匀设计的粒子群参数优化方法，就是将其中4种重要参数的设定问题转变为4个参数多标准的均匀设计,然后找到这4个参数的最佳组合，避免了粒子群算法参数难以设定和容易陷入局部极值的缺点。　　最后引入细菌觅食算法。在PSO基础上优化细菌觅食算法后，结合BP神经网络算法，对稻飞虱图像进行分类识别。这里所指的粒子群算法优化后的细菌觅食算法，是将粒子群算法中粒子群的速度和位置更新方法取代传统细菌觅食算法中趋向性行为，即用粒子群寻找最优解的迭代过程取代细菌觅食算法的趋向性操作。从而简化细菌觅食算法，使其收敛速度较快。　　实验结果表明， UDPSO-BP混合算法PBFO-BP混合算法的识别率明显提高，平均正确识别率达到97％，且训练时间降到一秒以内，更满足实际应用中对算法的实时性需求。