相较于单模态输入，多模态图像融合技术能够显著提升病虫 害识别的性能。然而，现有的图像融合方法主要关注像素级信息和视觉语义特征，往往忽 略了超越视觉层面的深层次文本语义信息（外部知识）。例如，病虫害的发生往往受到环 境条件、作物生长状况等因素的影响，而这些关键信息可通过文本或其他非视觉模态数据 提供额外的判别依据。为了更有效地利用多模态高层语义信息，提出一种基于视觉-语言大 模型引导的多模态图像融合方法。该方法充分利用多模态文本语义信息引导图像融合。