准确地获取农作物生长发育期信息,可以科学地指导施肥灌溉等农事作业,有效地促进现代农业的发展。玉米是我国的主要农作物之一,其种植地区环境气候复杂多变,及时获取其生长发育状况并实施相关的农事作业是一项重要的任务,因此,玉米发育期自动识别方法是目前农作物生长观测领域的研究热点之一。为了解决传统玉米发育期自动识别方法提取特征效率低,识别效果差的问题,本文把深度学习引入到玉米发育期自动识别研究中,提出了基于卷积神经网络的玉米发育期识别方法,结合迁移学习、图像平均分割预处理和基于多尺寸特征图的检测算法,建立并优化了卷积神经网络模型,实现了高效的玉米发育期自动识别。具体研究内容如下:研究了卷积神经网络基础结构,分析了标准卷积和轻量化卷积方式,分别搭建了标准卷积神经网络框架和轻量化卷积神经网络框架,采用玉米发育期训练集样本进行训练,得到玉米发育期识别的标准卷积神经网络模型和轻量化卷积神经网络模型,对玉米发育期测试集样本进行预测,结果表明,与传统方法相比,卷积神经网络模型的预测正确率更高,且轻量化识别模型比标准识别模型训练速度更快。针对样本不足导致的轻量化卷积神经网络识别模型过拟合问题,利用迁移学习中的迁移参数法,将大型数据集ImageNet训练得到的模型参数按不同比例分别迁移到卷积神经网络,训练得到不同的玉米发育期识别模型,根据测试集识别率选出最优识别模型,对比最优模型的测试集识别率与训练集识别率,结果表明,迁移参数方法能有效提高轻量化卷积神经网络识别模型的泛化能力。针对三叶期和抽雄期识别率低的问题,通过分析训练集样本,发现三叶期和抽雄期图像在预处理过程丢失了较多重要特征,利用平均分割图像法对训练集进行预处理,将投票方法与轻量化卷积神经网络模型相结合,对玉米发育期测试集样本进行预测,三叶期和抽雄期识别率分别达到84.62%和92.41%。由于抽雄期容易被误判为拔节期,采用了基于多尺寸特征图的目标检测法,建立了雄穗检测模型,对已判定为拔节期的图像再次进行雄穗检测,将轻量化卷积神经网络模型的抽雄期识别率提高到了96.06%。通过对玉米发育期识别方法进行研究,建立了基于卷积神经网络的最优玉米发育期识别模型,有效提高了玉米发育期识别率,对开发农作物自动观测系统具有重要意义和应用价值。