小麦是我国主要的粮食作物和重要的战略储备粮,其产量的稳定对确保国家粮食安全,满足市场需求有重要意义。极端寒潮天气的不可抗拒性,对小麦的抗寒性提出更高的要求。目前,针对小麦抗寒性的识别主要依靠前人经验的积累、实验田中的实测数据以及分析生理生化等方面,整体工作效率偏低。本文主要进行了基于深度学习的小麦抗寒性识别研究,从构建小麦种质资源库、训练基于深度学习的小麦抗寒性识别模型、设计小麦抗寒性识别应用系统三方面完成小麦抗寒性识别研究及应用。本文主要工作如下:(1)小麦种质资源库构建。现代育种技术需要构建农作物的种质资源数据库。目前,针对小麦的种质资源库研究,主要集中于小麦分子、小麦基因以及各自区域的性状和品质性状,缺少针对小麦特征数据的统一资源库。本文使用爬取的国审、省审小麦特征信息,结合小麦育种实验中心积累的数据,构建小麦种质资源库。设计并开发了小麦种质资源库软件,资源库中的小麦品种个数为3049个、性状特征达到38个。通过数据分析,得到小麦不同性状特征之间的相关性,并分析了株高和幼苗特性在小麦抗寒性等级上的分布。(2)基于深度学习的小麦抗寒性识别方法研究。本文从自然语言处理的角度出发,使用构建小麦种质资源文本库中的小麦文本数据,训练小麦抗寒性分类模型,实现小麦的抗寒性识别。由于不同专家对小麦抗寒性关注的侧重点不同,本文分别训练识别小麦抗寒性4分类和2分类的深度学习模型。采用卷积神经网络结合循环神经网络(CNN-RNN)的方法,实现小麦抗寒性识别的4分类,相比较单一的CNN与RNN方法,CNN-RNN的准确率、F1值以及Kappa系数分别达到78.65%、53.99%和0.5868;采用多元特征动态融合的方法,实现小麦抗寒性识别的2分类,多元特征融合后小麦抗寒识别的准确率和Kappa系数达到91.13%和0.7911。为了选出小麦不同性状特征对抗寒性的影响程度,以小麦抗寒性的4分类为例,使用XGBoost与Ada Boost相结合的特征选择方法,验证选择出的不同性状组合对小麦抗寒性识别的性能,得到对小麦抗寒性识别影响较大的亩穗数、熟性、株高、穗粒数、壳色等15个特征。(3)设计并实现小麦抗寒性识别系统。根据小麦抗寒性识别系统的功能需求,系统由小麦种质资源库、词向量生成、不同抗寒性模型训练以及抗寒性预测等4个主要模块。将本文以上工作整合,使用Qt开发系统界面,实现友好的人机交互,有效降低小麦抗寒性识别的时间消耗和工作复杂度。