小麦是世界上播种面积最大、分布最广的粮食作物。为了保障粮食安全和促进农业可持续性发展,迫切需要培育优质高产小麦品种保障小麦产量。小麦优质高产品种选育需要进行大量种质材料的种植、筛选和评估,在无人工加代的前提下,通常需要8至10年才能完成一个小麦育种周期,小麦在自然条件下生长缓慢,是小麦育种试验周期长的关键原因。并且在分离世代对优异等位基因的高效筛选决定着育种的成败,优良种质的选择及相关性状的基因定位等亟需高通量的筛选工具。因此,开展基于图像序列的小麦生长发育时空预测模型研究,捕捉图像序列中小麦生长发育的长时动态依赖关系,预测小麦生长发育及可视化并对其进行表型解析,帮助育种专家等较早获取小麦生长发育情况,包括综合图像指标和叶片数、单株投影面积、株高和株型等表型特征参数。进而育种专家统计分析表型变异、分析不同性状之间的相关性以及定位调节目标表型变异遗传位点,将缩短小麦育种实验周期,使育种试验更快、更高效地完成。论文主要研究内容与结论如下:（1）小麦生长发育数据集的构建。以Fielder、百农58（AK58）、济麦22（JM22）和科农199（KN199）四个小麦品种为研究材料,定点、定时采集人工气候室内的盆栽小麦生长发育图像序列。并通过聚类和颜色阈值分割对其进行预处理,去除光照和土壤等噪声影响。构建了小麦生长发育数据集,包括多视角小麦生长发育数据集和连续视图小麦生长发育数据集,为后续小麦生长发育的时空特征建模和生长发育时空预测模型研究提供数据基础。（2）基于时空长短时记忆网络提出了小麦生长发育预测模型。利用小麦生长发育的时空相关性,开展小麦生长发育空间和时间特征的建模研究,基于时空长短时记忆网络（Spatiotemporal LSTM,ST-LSTM）提出了小麦生长发育时空特征建模方法。融合编码器和解码器结构,构建了基于ST-LSTM的小麦生长发育预测模型,实现了小麦生长发育图像序列预测。首个预测时间节点的结构相似度为94.32%,均方误差为6.02。解决了目前生长预测研究仅能预测单一表型的动态变化,不能较好地可视化植物生长发育的问题。（3）融合时空长短时记忆网络和嵌套记忆网络提出了小麦生长发育预测模型。为提高小麦生长发育预测模型的预测时效性和解决预测图像模糊的问题,基于ST-LSTM的小麦生长发育预测模型,利用嵌套记忆单元（Memory In Memory,MIM）提高建模生长发育的非平稳趋势的能力,融合ST-LSTM和MIM构建了小麦生长发育预测模型,预测的小麦与实际生长发育相似性更高,也提高了预测图像清晰度。首个预测时间节点的结构相似度提高到95.67%,且随着预测时间节点的推移,预测结果仍能与实际生长发育保持较好的相似性,每个预测时间节点的结构相似度均大于85%,基于ST-LSTM和MIM的小麦生长发育预测模型有效缓解了预测时效性的问题。（4）为进一步评估小麦生长发育预测的准确性,融合DenseNet201网络和双向长短时记忆网络提出了小麦生育期判定方法。基于DenseNet201和双向长短时记忆网络建模小麦生长发育时空特征,提出了小麦生育期判定模型（DenseNet201-BLSTM）,实现了准确率98.43%的小麦生长发育阶段判定（分蘖期、返青期、拔节期、孕穗期和抽穗期）。并对预测的小麦生长发育情况和实际生长发育进行生育期判定,生育期判定结果一致。解析预测的小麦生长发育的表型,叶片数、株高和株型预测的误差较小,预测小麦生长发育的单株投影面积变化趋势与真实变化趋势相似,表明了小麦生长发育预测模型的预测有效性和准确性,可较早为未来工作中的种质筛选和评价提拱小麦生长发育情况。（5）生长发育时空预测模型的通用性验证。将生长发育时空预测模型推广应用于玉米、小米和高粱等藜麦属作物以及模式植物拟南芥,验证了生长发育预测模型的通用性和有效性。另外,本文分析并确定了生长发育预测模型对小麦的有效预测时长为5天,最佳预测步长为10,最佳预测时间间隔为1小时,对拟南芥和藜麦属作物（玉米、小米和高粱）的有效预测时长为5和14天,为生长发育的时空预测的进一步研究提供了数据集获取和模型构建的参考。综上所述,本文提出了生长发育时空预测模型,为育种专家提前预测小麦、高粱、玉米、小米和拟南芥等植物的生长发育情况并解析鉴定表型（叶片数、单株投影面积、株高和株型等）,也将为未来作物生长发育时空预测研究提供基础。目前,生长发育时空预测模型的预测对象为受控环境条件下人工气候室内的盆栽小麦,盆栽小麦生长发育的有效预测为大田育种缩短试验周期和高通量筛选提供参考。进一步的研究工作将融合水、肥和环境信息,开展田间群体小麦的生长发育预测研究,为智慧育种、生产管理和栽培等提供帮助。