棉花是世界上最主要的天然纤维作物,也是重要的油料作物,具有极高的经济价值。根系作为植物的重要营养器官,具有支持、繁殖、贮存合成有机物质的作用,其生长分布形态对植株地上部的生长情况具有重要影响。由于土壤的干扰和遮蔽,加之根系与土壤间低对比度等因素,导致植物根系检测方法精度低,在一定程度上制约了根系检测自动化的发展。随着现代技术的快速发展,越来越多的非破坏性根系成像方法用于检测根系生长状态。本文以棉花根系为研究对象,针对根系与土壤间对比度低以及土壤颗粒的遮蔽性等问题,采用高分辨率原位根系成像装置对棉花根系进行动态无损观测,获取不同生长周期内的棉花根系图像,运用深度学习算法对棉花根系图像进行分割,有利于准确快速地获取棉花根系表型数据,为解析根系分布形态与植株生长过程二者间关系打下基础。本文的主要研究内容如下:（1）针对常规图像增强方法增强的图像重复率高、分布形式单一以及网络训练易发生过拟合等问题,本文提出了一种基于深度卷积对抗生成网络（Deep Convolutional Generative Adversarial Networks,DCGAN）进行数据生成的棉花根系图像增强方法。将增强前后两组数据集输入到UNet++网络中进行训练,试验结果表明,通过深度对抗生成网络生成的图像可以有效地改善图像分割模型,分割精准率比未增强数据集提高了 0.94%,说明基于深度学习的深度卷积对抗生成网络增强方法能够有效地实现棉花根系数据的增强。（2）分别使用EfficientNet-B7网络和ResNeXt50 网络替换UNet++的主干网络,将EfficientNet-B7网络结构中后5个MBConv分支块引入到UNet++特征提取部分,ResNeXt-50替换掉UNet++的编码器模块,对成熟期棉花根系图像进行分割。试验结果表明,Eff-UNet++网络的分割精准率P（Precision）达到了 95.9%,召回率R（Recall）为96.23%,与原始UNet++网络相比,精准率P和召回率R分别提高了3.56%和 0.42%;NeXt50-UNet++网络的精准率 P 达到了 95.58%,召回率 R 为 95.93%,与原始UNet++网络相比,精准率P和召回率R分别提高了 3.24%和0.12%。由此可见,Eff-UNet++网络分割性能要优于NeXt50-UNet++网络。（3）为提升对棉花根系图像细粒度分割任务的效果,在Eff-UNet++基础上提出了一种基于注意力机制的AM-Eff-UNet++棉花根系图像分割方法。在EfficientNet-B7网络子模块中的卷积层后交替插入ECANet和SENet两个注意力机制模块,对成熟期棉花根系图像进行分割,试验结果表明,改进后的AM-Eff-UNet++网络精准率P达到了 97.62%,召回率R达到了 99.27%,与改进前的UNet++模型相比,AM-Eff-UNet++的精准率P和召回率R分别提高了 5.28%和3.46%。与其他语义分割模型SegNet和DeepLabV3+进行对比试验,AM-Eff-UNet++模型同样有优异表现。本文研究结果将丰富对植物根系发育规律的认识,缩短根系检测周期,提升根系形态检测的准确性,为深度学习在作物根系研究方面提供重要的理论基础和实际应用参考。