植物生长受生物或非生物因素的影响，如病虫害和水分胁迫，而水分胁迫是影响全球农业生产的重要因素，适当的灌溉是保持和提高作物产量的必要措施。玉米植株对水分很敏感，有效地识别干旱胁迫不仅能够监测作物生长状况，而且对节水灌溉也有重要意义。传统的干旱胁迫评估是基于对土壤含水量的测量，不仅费时耗力，还存在测不全问题，而且土壤含水量并不总是能够直接反映作物的干旱状态。在非接触的自动旱情监测方法中，主要依赖于遥感影像的分析，存在获取代价高、监测地点不灵活等问题。面对上述问题，本文使用常见的数字图像传感器采集图像，获取样本方式简单快捷，同时结合机器视觉和机器学习技术，实现玉米表型特征的快速分析。玉米在生育早期遭受干旱胁迫会延缓作物发育进程，干旱严重时会造成产量和质量的双重下降。本文以生育早期的玉米为研究对象，采集了田间群体玉米和实验室盆栽单株玉米图像，从整体和个体的角度提取玉米的表型特征，建立起玉米表型特征与干旱胁迫之间的联系，为旱情的实时监测提供科学依据。本文的主要工作概述如下：
　　首先，为了更好地提取作物的视觉特征，在图像预处理过程中，提出了基于多级特征的绿色作物分割算法。针对作物边缘易被错误识别的像素点，本文提出将作物分割转化为多分类问题，结合逻辑回归模型预测图像中每个像素点属于绿色植被的概率值。同时，在RGB、HSV和L*a*b*多个颜色空间中提取了像素级和区域级特征，算法鲁棒性强。提出的分割算法质量高，计算速度快，能够实际应用于农业工程的各个领域。
　　其次，在图像分割的基础上，提取群体玉米植株的颜色和纹理特征。考虑到水分适宜环境下的玉米叶片普遍是翠绿的，而干旱条件下叶片会卷曲泛黄，本文设计了基于绿色优势度的四个颜色特征。利用提取的颜色特征和基于小波变换的纹理特征，训练了两个检测模型，先判断玉米是否遭受干旱胁迫，再识别干旱胁迫的程度，即采用两步走策略实现群体玉米植株干旱胁迫状态的自动检测。
　　再次，进一步提取玉米单个叶片的表型特征。由于群体玉米种植密度大，难以直接提取出单个叶片，本文从原始的群体玉米图像中人工裁剪局部叶片，构建了一个多种干旱胁迫下的玉米叶片数据集，数据集内含18040张叶片图像。为了自动捕获玉米叶片的边缘、颜色等底层信息，设计一种深度卷积神经网络(CNN)模型，通过特征图拼接实现对多层信息的融合。对提取的特征图的重要性进行评估，选取少量最有价值的特征图作为SVM分类器的输入，使模型在轻量级参数下获得诸如更高识别准确率等优秀的工作品质。
　　针对盆栽单株玉米，由于背景的干扰，应用常规分割算法时部分玉米样本会产生局部断裂的情况，为此本文提出了基于稠密连接网络的语义分割架构，利用CNN的特征学习能力实现断裂叶片的自动补全。由于分割样本的标注耗时费力，标注样本有限这一现实，本文采用了迁移学习的思想，先利用公开的绿色植被分割数据集训练提出的分割模型，然后将预训练模型迁移到增强后的玉米植株分割数据集上，进行参数的微调。本文提出的DenseU-Net分割模型改进了网络的信息流，实现了端到端的单株玉米分割。
　　最后，在单株玉米提取的基础上，从整体的植株和局部的单个叶片两个角度分析了其表型特征。针对分割后的图像，一方面提取整株玉米的形态、颜色和纹理特征；另一方面使用细化、交叉点检测等图像处理技术分离玉米的茎和叶，根据形态特征识别分离出的茎和叶。基于机器视觉定位、分割等算法，提取到了单株玉米的株高、伸长率以及单个叶片的叶倾角等形态特征，结合颜色和纹理特征，为今后的旱情监测和抗旱性玉米品种的筛选提供了技术支持。
　　本文面对玉米旱情自动检测的重大需求，基于机器视觉及机器学习的理论和技术从多个角度分析干旱胁迫下玉米的表型变化，所提方法可以应用于实际的田间玉米作物及推广到其他作物，为农业的信息化、自动化乃至智能化的生产活动奠定了基础。