摘要： 为了提高小麦病害图像分类的效率，提出了一种基于Spark的并行式支持向量机算法。首先对小麦病害图像进行滤波去噪、灰度压缩等处理，利用灰度共生矩阵、不变矩阵等从颜色、纹理和形状3个方面提取49个特征向量；然后通过数据集的切分和并行框架的支持，将大数据并行处理技术Spark与支持向量机结合，运用Scala语言实现了串行支持向量机算法的并行化，并将其应用于小麦病害图像识别。针对小麦锈病和白粉病的图像分类测试结果表明，当测试图像分别是2 600、3 900、5 120张时，该算法对锈病的分类精度依次是76.03%、81.18%、77.82%，对白粉病的分类精度依次是83.27%、85.91%、83.14%，比串行支持向量机分类精度有所提升。分类时间依次是13 928.0、18 506.1、24 897.2 ms，明显低于串行支持向量机的分类时间。改进的算法实现了小麦病害分类精度的小幅度提升，明显提高了处理速度，具有较快的学习收敛速率。

关键词: 小麦病害； 图像分类;  , Spark; 支持向量机; 大数据; 并行计算; 图像特征提取