本技术路线面向复杂环境下设施蔬菜病害开展多模态大模型语义表征与泛化学习研究，以实际业务需求为牵引，针对病害样本症状细微、环境多变、跨域迁移效果差的痛点，提出三项研究问题，分别围绕统一语义表征、细粒度稳健表征、环境不变泛化展开探究。研究内容一开展设施蔬菜病害多模态语义基座构建与大模型领域适配，采集图像、环境时序、栽培信息与病害知识，完成语义组织，借助 LoRA 参数微调实现大模型领域适配，输出病害统一语义表征，为后续研究打下基础。研究内容二实现细粒度属性增强的层级多模态语义表征，升级属性解耦模块，利用细粒度对比增强与层级语义对齐，抑制光照遮挡带来的伪特征，得到可解释的细粒度表征结果。研究内容三进行环境不变的跨模态语义对齐与泛化学习，构建多源域数据集，实施语义解耦、跨域一致性学习以及渐进式定位，完成未见域的病害输出。之后搭建验证体系，依次开展域内、跨环境、跨采集、消融机理以及综合评估，从精度到泛化能力多角度检验模型性能，最终形成病害多模态大模型语义表征理论、细粒度层级对齐方法与环境不变泛化学习机制。无论从事农业多模态智能检测的研究生还是农业人工智能方向的研发人员，都可以为本套研究方案带来参考。