小麦作为世界上总产量第二大的粮食作物，对其生长发育的监测变得越来越重要。作物发育期作为作物最主要的生长信息，不仅是农业气象的重要内容，也是指导田间农事活动的基础，它一直以来都是农业生产、管理和农业气象领域关注的重点。目前，作物的观测还停留在人工观测阶段，随着计算机视觉的发展，利用该技术实现作物的自动检测成为研究的趋势。然而，目前对作物生长信息的监测的重点主要是在作物长势、病虫害防治以及作物生长发育参数方面，鲜有对作物发育期进行自动观测的研究。为改变现有的研究状况，并验证利用计算机视觉技术实现作物自动观测的可行性和有效性，本文以田间小麦图像作为研究对象，以小麦的生长规律作为理论依据，对小麦的出苗期、三叶期、越冬期和抽穗期四个关键发育期进行了研究。　　准确的将小麦从田间图像中提取出来是识别小麦发育期的关键。本文提出了一种基于颜色索引值的小麦自动分割方法。该方法利用对比度拉伸增大小麦与背景的颜色差异，通过训练小麦与背景的颜色索引值将小麦从图像中提取出来。　　小麦出苗期的检测主要是根据农业观测规范中所定义的条播竖看成行，并结合小麦在图像中呈现的特征，首先对田间小麦进行自适应分割，接着利用直线检测提出小麦成行的特征，判断小麦的播种方向，并采用分块检测技术避免由于播种的不均匀造成的麦苗不整齐或者缺苗的情况。小麦三叶期的检测是基于图像中小麦覆盖度变化率实现的，该方法首先统计连续生长的小麦覆盖度，并绘制覆盖度曲线，再通过拟合的方式对曲线进行平滑，最终根据覆盖度的变化率实现三叶期的自动检测。小麦越冬期的自动检测需要从田间小气候资料中提出连续变化的田间温度信息并结合小麦生长变化规律综合识别。小麦抽穗期的检测主要以麦穗的生长变化为突破口，利用主成分分析方法监测连续变化的小麦识别抽穗期。通过对比自动检测结果与人工观测的结果，实验结果验证了算法的有效性以及准确性。