要提高我国的种业市场竞争力,种子质量是关键。种子活力检测是提高种子质量的重要环节。种子活力是衡量种子播种质量的一项重要指标,高活力种子对实际农业生产具有非常重要的意义,因此,测定种子活力显得十分重要。通过查找文献总结前人的实验方法,传统的种子活力检测方法都是由专业的技术员手工检测,主观性较大且效率低。传统的发芽法测定种子活力的具体方法是采用标准发芽试验,逐日记载发芽种子数,发芽试验结束后测定正常幼苗长度。这些方法无法满足当前育种智能化的发展需求。随着计算机技术和图像处理技术的快速发展,基于机器视觉检测种子活力的技术应运而生。为了寻找新的种子活力检测方法,本文以小麦种子为实验对象,研究基于机器视觉的小麦种子活力检测方法,可为小麦种子在线活力检测提供有力的理论依据和技术支撑。本文的主要研究内容及结果如下:1)设计垂直发芽装置。对传统的卷纸发芽法进行改进,设计出适用于机器视觉技术检测小麦种子活力的垂直发芽装置,该装置可以实现种子活力的在线检测,无需将待测种子脱离发芽环境。2)提出了一种基于形态学检测小麦种子活力的方法。基于形态学分析,设计了小麦种子芽点（胚根、胚芽突破种皮的位置点）检测方法,借助芽点位置对胚根、胚芽长度进行检测,实现了种子发芽快速识别。通过对连续7天的发芽实验数据进行检测分析,与人工测定结果进行对比,本文方法测定小麦种子发芽率的准确率100%,发芽势、发芽指数、平均发芽天数误差分别为4%,0.47、0.08天。试验结果表明,本文设计的装置和方法实现了对种子活力参数的准确检测,可为农作物种子的活力快速检测提供研究基础。3)提出一种基于机器学习检测小麦种子活力的方法。首先利用HALCON图像处理软件提取小麦种子的颜色特征信息（RGB、HSV、HSI、Lab各分量的均值以及标准差）和形状特征参数（长度、宽度、区域面积、圆形度、周长、紧实度、凹凸性、矩形度、外接圆半径、内切圆半径、圆周到中心的平均距离、圆周到中心的距离偏差、轮廓区域点之间的最大距离）,然后分别采用PER（皮尔逊相关性分析法）、PCA（主成分分析法）和PER-PCA（前两者结合）对归一化后的数据进行特征筛选,并建立与之对应的3种OCSVM（One Class SVM）小麦种子发芽检测模型,3种模型均取得了较好的检测结果,其中PER-OCSVM模型的表现最佳,该模型的准确率（Accuracy）能达到96.81%,精准率（Precision）为98.70%,召回率（Recall）为95.58%,F1值为97.11%。利用PEROCSVM模型对连续7天的小麦种子发芽试验数据进行检测,检测结果表明,本文设计的检测方法测定的小麦种子活力指标与人工统计的基本一致,检测发芽率误差为1%,发芽势、发芽指数、平均发芽天数的误差分别为1%、0.38、0.12天。结果表明本文提出的基于机器学习检测种子活力的方法具有可行性。