水稻生长过程中有多种害虫为害。目前我国对水稻害虫进行测报方式主要是通过测报灯诱集害虫和田间害虫调查。测报灯诱集的害虫需要次日取回，人工识别和计数；水稻飞虱田间调查需要一人下田持盘拍稻计数，一人记录数据。这两种人工测报方式均存在劳动强度大和准确性差的问题。本研究针对这两种测报调查方式存在的问题，采用图像处理和机器视觉对水稻灯诱害虫自动识别计数中的粘连分割和水稻基部飞虱的自动计数进行研究。主要研究内容和结果包括：（1）首先用我们已经建立的昆虫图像采集系统采集背景图像。然后将灯诱害虫通过网筛到玻璃平台上，轻微抖动玻璃板，拍摄经过抖动前后的昆虫图像。分别与背景图进行差分，以去除背景杂质带来的影响。然后对两幅图像求解全局光流，为提高光流准确性，对害虫目标像素之前的背景光流值赋为零，并根据光流矢量求解光流的角度值；最后采用归一化割（NCuts）对图像进行粘连分割，NCuts算法将图像分割问题转换为图论中图的分割问题，采用经过光流计算得到的角度值及像素之间的位置关系作为求解权重的参数，对图像进行划分得到较好的粘连害虫分割结果。（2）在水稻基部白背飞虱计数研究中，采用三层检测机制来检测飞虱。首先采用Adaboost算法对水稻基部白背飞虱图进行第一层检测。建立正负样本，分别提取Haar特征，训练一系列弱分类器，并组合成强分类器对含白背飞虱图进行检测。采用Adaboost得到较高检出率的同时，会有较高的误检率，为此提出HOG特征和SVM分类器结合的方式作为第二层对Adaboost检测的结果进行识别，去除误检的杂质。采取双阈值自动去背景后，提取三个常规特征参数作为第三层，与各参数阈值比较进一步去除反光和水滴等杂质，最终实现白背飞虱的检测与计数。本研究将静止图像分割问题转换为动态方式分割，有效的克服传统分割中过分割和欠分割现象，为不规则目标的分割开拓新的方向；从机器视觉角度提出水稻基部白背飞虱自动检测与计数，采用学习训练得到检测器和识别分类器进行实时检测和杂质去除，避免了传统颜色分割中噪声的干扰，算法具有很好的鲁棒性。