马尾松分布于华中华南地区,是荒山造林的先锋树种,马尾松苗木的质量关系着造林的成活率。一般评价苗木质量的指标包括形态学指标、生理指标和动态指标三类。传统的测量上述指标的方法过程繁琐,费时费力,准确度欠缺,并且会损坏苗木,因此,研究高效、精准、无损的苗木指标测量方法对于快速评价苗木质量、筛选优质苗木尤为重要。本文旨在通过多信息融合开展马尾松活力检测技术研究,提高监测的准确性。采用多尺度捷径神经网络、激光散斑技术和YOLO网络模型分别对马尾松苗木的生理指标（含水量与含氮量）、根伸长率指标、形态指标（树冠、树干与树根）进行了快速精准的测量。主要内容如下:（1）采用多尺度捷径卷积神经网络对马尾松苗木叶片含水量与含氮量进行快速、精确、无损检测。构建了多尺度捷径卷积神经网络,采用近红外高光谱数据对马尾松苗木叶片的含水量与含氮量进行预测。通过设计合理的捷径结构,减小了前向传播时多层传递导致的信息损耗,同时在反向传播时,减少了误差多层传递导致的损失,避免了训练时产生梯度消亡,从而获得准确的测量精度。实验结果显示,所提出的模型在马尾松苗木叶片含水量与含氮量预测中的性能与其他常用模型相比是最佳的,在马尾松苗木叶片含水量测试中,在测试集上测量值与真实值的相关系数高达0.977,测量均方根误差为0.242;在马尾松苗木叶片含氮量测试中,在测试集上测量值与真实值的相关系数为0.906,测量均方根误差为0.061。（2）应用激光散斑方法对马尾松根部微小的形态变化进行测量。利用统计干涉法推导散斑相位的概率密度函数,通过物体的相位测量短时间内苗木根部的位移变化情况,实现了把测量苗木根生长潜力的时间从传统方法的数月缩短到几秒钟以内,大幅提高了测量效率。为了验证该测量方法的有效性,设计了苗木水分胁迫实验以获得在水分充足和亏缺时的苗木根部形态的不同变化。实验中,通过降低部分马尾松的含水量形成水分胁迫以影响马尾松的活力,并以是否受到水分胁迫将马尾松分为两组。通过对每株苗木根伸长率的测定,发现根伸长率能够反映苗木的活力,比传统方法更高效。（3）使用YOLO网络模测量马尾松苗木的形态指标。通过Real Sense深度相机获取图像,把图像数据制作成数据集后使用YOLO进行特征提取,验证了模型的有效性后再从样本图像中实现马尾松苗木形态指标的准确提取,具体包括树冠、树干和树根的高度。实验中将模型提取的形态参数与人工使用直尺测量的数据对比,误差在5%以内,因此该网络模型的测量结果是准确且可靠的,可以在一定程度上替代人工测量。本文所研究的实验系统测量马尾松苗木生理指标、形态指标与根伸长率具有稳定、准确、可靠的特点,可为马尾松苗木的培育与管理提供准确的数据依据。