作为番茄生产和消费大国，中国的种植面积达到105万公顷[1]，人均年消费量约21kg[2]。近几年来，由于劳动力成本上升，番茄种植管理雇佣费用已上升到生产成本总额的45%左右[3]，人力成本过高已经成为制约番茄种植效益增长的客观因素。由于机器人具有智能探测和复杂操作的独特优点，可用于采摘温室番茄.整枝、授粉、喷药等工作密集.操作复杂的种植管理环节，研究开发能替代人工工作的农业机器人，是从工程技术的角度来解决目前状况的一种有效方法[4,5]。精确地获得工作对象的视觉特性是机器人智能工作的必要条件。在不同的管理环节中，番茄植株的茎、叶、果同时作为工作目标和背景干扰。但温室内植株丛生.杂乱无序，且茎、叶、绿果为相近色器官，基于广泛的可见光图像信息，很难对特定植株进行精确识别。

考虑到植物茎、叶、果等不同器官组成物质成分的差异，根据其特定波段的光谱特征进行分类识别，将是解决植物相似颜色目标视觉识别问题的一种有效方法[4]。波谱特性数据反映了目标光谱反射强度在频域上的分布情况[6]。通过对柑橘750~1000nm波段叶片光谱反射率与重叠层数的关系进行分析，研究了叶面重叠面积测量方法。Ma等[8]依据692.705、743nm两种波段的光谱特征，对豌豆内害虫信息进行了识别。以690~950nm间隔为特征波段，王海青等[9]对黄瓜、茎叶的光谱数据进行了分类。白敬等[10]选择710.755.950、595nm为最佳的油菜杂草检测波段。单个光谱特征数据缺乏目标空间信息，很难作为视觉伺服控制的依据，主要用于害虫.杂草种类、叶数等生物组织成分.生理特性分类。利用影像技术得到的光谱图像数据是目标光谱反射特征与空间位置信息的综合反映，可以作为机器人识别目标、精确对靶作业的依据。Gan等[11]根据橙子的彩色图像和热像特征，对青橙和叶片进行区域分割，准确率达95.5%。Bac等[12]利用甜椒植物在447~900nm范围内6个波段的图像作为输入，建立了二叉树分类模型，并成功地对其进行了分类学处理。根据800nm波长图像中黄瓜与叶片之间的亮度差异，采用Li等[13]和袁挺等[14]研究了丛生叶片背景下黄瓜果实的识别算法，识别精度达95%。但目前基于光谱特征图像的目标识别分类方法，大多是以目标最强反射带为成像波段，强调目标区域的亮度较高，而对背景弱反射波段图像缺乏融合，不能充分达到凸显强反射目标、削弱弱反射背景干扰的目的。

为了解决温室番茄茎、叶、绿果等相似色物的视觉识别难题，根据各自的光谱特征差异筛选最佳成像波段，构建了一套多波段图像采集系统。同时，提出了结合不同频带图像特征的多波段图像融合方法，充分突出目标和背景差异，提高相似色系目标识别的效率。该研究可为温室番茄采收、整枝、授粉等智能管理作业的视觉信息获取提供技术支持。