植物叶片承担着光合作用的重任,也是植物的重要组成部分。通常而言,不同种类的植物叶片在形态、结构和组成成分上都会存在一定的差异,并且植物的叶片也会因为水分、光照以及营养元素等条件的改变而发生变化。当前农林业中,我们一般通过叶片的形状、颜色、纹理等来判断植物种类以及推断其当前的生长发育状态。随着光学检测技术的发展,通过研究各类植物叶片的光学表征能够帮助我们快速准确地对植物进行识别以及生长发育状态的判断,解决传统方法需要消耗大量人力物力以及时效性差等问题,为现代农林业自动化、精准化、数字化、信息化的发展提供了全新的平台。本文利用信息光学与计算机图像技术相结合的方法研究了不同生长状态下植物叶片的识别,光学信息处理下植物叶片的叶脉纹理提取以及基于双目立体视觉的植物叶片体积测量,论文的主要工作如下:第一,本文根据当前热门的深度学习技术,利用深度学习迁移原理,对Alexnet卷积神经网络进行了优化,并在此基础上充分联系生活应用中的实际情况,选取不同背景,不同生长发育状态下的植物叶片图像数据来进行深度学习,训练后的识别率能够到达86.25%。第二,本文根据叶片识别过程中叶脉纹理会对识别率造成影响这一思路,在运用二次傅里叶变换对植物叶片表面进行光学信息处理的基础上,分别与sobel算子边缘提取以及图像数值矩阵相结合,有效的提取了樱花与银杏叶片正面的叶脉纹理,这可以为提高植物叶片的识别率提供判断依据。第三,植物体积测量是森林碳汇和温室效应研究中的重要组成部分,当前植物叶片体积测量难度较大,相关研究较少。本文提出了一种基于双目立体视觉的植物叶片体积测量方法。首先,本文通过对两组具有代表性的树木并对其树干部分体积进行了测量,测量结果的误差在5%以内。然后,在此基础上进一步结合植物叶片镶嵌模型与分支模型,运用数学建模的方法对植物叶片的体积进行了测量。该方法具有操作简单、工作量小、运算快速等特点,可以实现对各种不同种类和环境下植物叶片体积的远距离测量。