由于植物姿态复杂多样和自身遮挡等问题,传统的基于单视角二维图像处理方法存在特征采集不完整、精度较低、通用性差等问题,已经不能满足植物表型学研究的需求。利用现代传感器（如深度相机、激光扫描、摄像头阵列等）数据采集,借助计算机视觉、图像分析、深度学习等最新算法,对观测植物进行多视角采集和三维模型重建,在三维空间进行植物器官分割,特征提取与分析,是当前植物表型研究的热门领域。本文提出一种基于深度学习和多视角图像的植物三维重建和分割方法,可实现植物表型参数的高精度测量。论文的主要研究工作和创新点如下:1)植物器官实例分割数据集的建立。早期用于植物表型研究的数据主要是单视角二维图像,且拍摄种类大多数是形态结构较为简单的幼苗期植物。因此,本文对自采集的拟南芥,酸浆和玉米等植物的全生长周期的多视角图像数据集进行了植物器官的手工分类标注,以COCO数据集格式建立了相应的深度学习评测植物数据集。传统的表型研究对象一般只有叶子一个类别,本数据集把植物器官分类精细化为叶子、茎和叶柄三个类别。2)多视角图像与特征跟踪的植物器官实例分割算法。为解决植物遮挡导致的分割精度低的问题,本文提出一种利用Mask-RCNN算法进行二维图像的植物茎叶分割,结合多视角图像中的叶子特征点的空间约束性,实现器官的跟踪与计数的新方法。本文在自建数据集（拟南芥、酸浆和玉米）和公共数据集（CVPPP）上进行实验,分割精度较高,可达到m AP0.5为87.5%,m IOU为73.4%的高精度。同时,增加特征匹配和跟踪算法,能有效克服植物叶片严重遮挡情况下的精度下降问题。3)植物三维点云重建与分割算法。本文提出一种基于多视角深度学习MVSNet算法的植物三维点云重建方法,并利用多视角二维图像分割精度高的优点,通过2D-3D投影转换和投票分类策略,实现植物器官的高精度点云分割。而一些传统植物三维分割方法直接应用三维图像领域中三维点云技术,通过几何特征提取、深度学习等进行植物三维点云分割,忽略了植物与静态不变的、人造的物体形态上三维点云特征的差异,存在分割精度低且速度慢的问题。本文提出的方法在三维点云重建质量、速度、器官分割精度与通用性等方面都具有很大优势。