为了提高杂草识别的准确性和快速性, 利用光谱反射率差异区分作物与杂草。 首先利用SG卷积求导法与多元散射校正法的不同组合对原始光谱数据进行预处理, 然后利用主成分分析法（PCA）对各类植物进行聚类分析, 并根据主成分分析结果中各个最佳主成分对应的载荷图, 提取对各类植物识别敏感的特征波长, 最后以特征波长为输入变量, 用簇类的独立软模式（SIMCA）分类法对各类植物进行分类识别。 甘蓝与杂草的分类结果表明, 在1阶3次51点SG卷积求导法加上多元散射校正法（MSC）的最佳预处理基础上, 根据主成分分析中前3个主成分, 提取到23个特征波长, 以它们为输入变量, 利用SIMCA方法进行分类时, 建模集和预测集的识别率分别达到98.6%和100%。

杂草的自动识别是实现作物草害精准施药的基础。 利用ASD光谱仪采集两个品种的圆白菜及稗草、 狗尾草、 马唐、 牛筋草和小藜等五种杂草在350～2 500 nm波段内的冠层光谱反射率。 根据光谱曲线特征, 在不同波段内对数据进行不同程度的压缩, 以提高运算效率; 利用不同参数设置的Savitzky-Golay(SG)卷积平滑求导和多元散射校正方法(MSC)的不同顺序组合对光谱去噪, 然后结合主成分分析法(PCA)提取主成分, 建立模型, 最后利用簇类的独立软模式(SIMCA)分类法对各种植物进行分类, 并比较分类结果。 试验结果显示利用MSC与3阶5次21点SG相结合的方法对光谱数据预处理后, 运用PCA提取前10个主成分作为分类模型的输入变量, 取得了100%的分类正确率, 能够快速无损地识别圆白菜与几种常见杂草。

利用植物和背景(枯枝、 土壤等)的光谱特性“红边”两侧反射率的差异, 研究了探测绿色植物靶标的光谱探测技术。 定义850与650 nm处反射率的比值为植物判别指数(GPDI)。 用FieldSpecHandheld 2500型野外便携式光谱仪测量了绿色植物和背景的光谱数据, 对其进行数据处理, 计算各被测物质的植物判别指数GPDI。 利用决策树模式识别方法建立植物与背景的分类模型, 得到了GPDI阈值(GPDITH), 选择此阈值为5.54。 当GPDI＞GPDITH时, 判别探测对象为植物； 反之亦然。 设计开发了基于AT89S51单片机和光电二极管OPT101的绿色植物光谱探测器。 试验结果表明, 此探测器的探测率受杂草的种类、 大小和密度的影响； 阔叶草比窄叶草更易探测到； 植株越大、 密度越高, 探测率越高。

田间全面积均匀喷施除草剂不经济， 还污染环境， 精准喷施除草剂意义重大， 其关键是正确识别杂草。 用便携式野外光谱仪， 在田间测量了玉米、 马唐和稗草植株冠层在350～2　500　nm波长范围内的光谱数据， 经过数据预处理， 数据分析波长选为350～1　300和1　400～1　800　nm。 数据处理采用支持向量机(SVM)模式识别方法。 SVM具有可实现对小样本建模结构风险最小化、 结果最优化、 泛化能力强的优点。 用线性、 多项式、 径向基和多层感知核函数对玉米和杂草建立二分类模型， 结果表明， 三阶多项式核函数SVM分类模型的正确识别率最高， 达到80%以上， 且支持向量比例较小。 以二分类模型为基础， 利用投票机制， 建立了玉米、 马唐和稗草的一对一多分类SVM模型， 正确识别率达80%。 田间光谱测量受光照、 背景和仪器测量精度等条件的影响较大， 但结果仍表明SVM结合光谱技术在田间杂草识别中应用潜力很大， 此研究为田间杂草识别及传感器的建立提供了一种研究思路和应用基础。