本图是四层研究内容与关键机制的衔接框架，整体从可核验证据出发，依次经过区域语义学习、证据约束诊断，最终完成条件泛化与独立验证，围绕三项核心科学问题逐层推进证据传递与闭环反馈。第一层为数据与知识监督，依托多源观测、结构化症状属性、领域知识与复核规则，构建可核验监督单元；第二层是检测与细粒度表征，通过专用检测分支完成多尺度区域定位，提取颜色、纹理等区域特征，结合症状关系约束，输出病斑定位与跨病类分析结果；第三层开展区域证据约束诊断，将病斑检测结果、图像上下文与植保知识输入预训练多模态大语言模型 MLLM，经由视觉编码、模态连接与大模型推理，输出结构化诊断、证据解释与诊断不确定性评估；第四层为条件泛化与验证，从观测扰动、关键证据缺失、真实表型变化三类场景开展测试，在独立环境与移动端完成验证。框架设置多维度评价体系，各层结果可回流形成反馈闭环，依据误差分析更新数据集、区域表征与诊断约束，保障模型定位、表征、诊断与泛化能力。无论从事农业多模态病害诊断算法研究的科研人员、计算机视觉方向研究生，还是构建可解释 AI 系统的项目开发者，都可以参考这套分层证据驱动的研究框架。