随着世界人口数量的增长,粮食问题已经成为当今举世瞩目的迫切问题。中国是世界第一人口大国,然而人均耕地面积远低于世界平均水平,粮食安全问题给我国也带来了严峻的挑战。水稻作为一种重要的粮食作物,其产量在我国一直备受重视。水稻的产量容易受到气候条件以及农业生产管理的影响。水稻发育期的观测不仅可以根据发育期的到来指导实施相应的生产管理,还可以帮助了解水稻各个发育期的到来所需要的农业气象条件,以便于保证水稻的高产、稳产。同时,水稻发育期观测也在现代农业信息化管理与物候观测方面起着重要的作用。目前,水稻发育期的观测仍然依赖于传统的人工观测方式。然而,人工观测存在着耗时、费力、观测间隔长、具有较大主观性等缺点。传统的人工观测方式已渐渐地不能满足现代农业生产管理、农业气象服务和物候变化研究的需要。本文利用一套水稻生长状态自动观测装置对自然状态下生长的水稻进行自动图像采集。通过分析采集到的水稻图像,结合农业气象观测人员的实地观测经验,运用计算机视觉技术对水稻的移栽期、分蘖期及抽穗期三个关键发育期的自动检测进行了研究。图像中水稻的准确提取是水稻发育期检测的重要步骤,影响着后续发育期检测的准确性。为了能从光照多变、水面太阳耀斑、阴影等复杂环境所获取的水稻图像中准确的分割出水稻,本文研究了以往的作物图像分割算法,并结合肤色分割的研究成果,提出了一种基于形态学建模的作物图像分割方法。一定程度上克服了以往的基于阈值、单高斯模型或贝叶斯模型的作物分割算法的缺陷。该方法通过形态学建模方法对不同光照下图像中作物的颜色进行建模,能较好地适应大田自然环境中的光照变化,取得较好的作物图像分割效果,为后续发育期研究的展开奠定了基础。水稻移栽代表着水稻大田生长发育的开始,是水稻生长过程中的重要转折点。针对水稻的移栽期,本文经过对水稻移栽前后图像的分析,选取了如下两种表征图像中水稻完全移栽的图像特征：水稻覆盖度跳变和水稻散布均匀性。进而提出了一种基于覆盖度跳变及水稻散布均匀性检测的水稻移栽期自动检测方法。该方法通利用上述两种图像特征能对图像中水稻的完全移栽进行自动判断,实现移栽期的自动检测。本文实验结果验证了本文所提出的水稻移栽期自动检测算法的有效性。水稻分蘖期决定了水稻抽穗时穗数的多少,是影响水稻产量的一个关键发育期。分蘖期的观测可以指导施肥、病虫害防治等农事活动,对水稻高产具有重要意义。通过对水稻分蘖的生理特征及分蘖期图像的分析,本文提出了一种基于多特征描述及随机森林分类的水稻分蘖期自动检测方法。该方法综合水稻图像的覆盖度、骨架三叉点及Harris角点三种特征对水稻的分蘖进行描述,最终采用随机森林分类的方式实现对水稻分蘖期的自动检测。实验中,本文通过水稻分蘖期自动检测结果与人工观测记录的对比,验证了本文提出的水稻分蘖期自动检测算法的准确性。水稻抽穗期决定了水稻稻穗结实率的大小,是影响水稻产量的另一个关键的发育期。水稻抽穗期观测历来是人工观测中尤为重要的一个方面。本文提出了一种基于稻穗颜色特征、梯度直方图检测以及卷积神经网络提升的水稻抽穗期自动检测方法。该方法中利用卷积神经网络来对稻穗的底层图像特征进行自动学习。利用学习获取的底层图像特征对水稻稻穗进行描述,有效提升了稻穗的检测效果,降低了稻穗检测中的虚警。一定程度上克服了水稻叶片颜色变化以及图像分辨率有限对抽穗期检测的影响。实验中,本文利用水稻抽穗期的自动检测结果与人工观测记录进行了比较,验证了所提出抽穗期检测算法的可行性。在2011年至2013年之间,本文通过使用的水稻生长状态自动观测系统共采集到12个水稻图像序列,包括6个早稻及6个晚稻序列。本文用上述12个图像序列验证了本文发育期自动检测算法的有效性,验证了本文提出的发育期的自动检测结果与人工观测记录误差基本在三天以内,满足当前农业气象观测的需要,可以用来简化或替代繁琐的人工观测。