植物表型是植物基因型和复杂环境相互作用的结果,包括但不限于植物形态、营养元素含量、植物色素含量等参数。叶绿素是植物光合作用的催化剂,是植物表型研究中的重要分支。植物体叶绿素含量不仅可以反映其光合作用能力,还可以在一定程度上反映植物生长状态,体现其营养元素的缺失状况。在过去关于果树生长的研究中,对叶绿素的研究大多集中于单一生长阶段或单一树种的水平上,难以满足针对不同树种和不同生长周期的叶绿素含量评估,因此,开展多生长阶段和多树种的叶绿素含量无损监测研究对评价果树生长状态和建立施肥灌溉决策具有重要意义。本研究以苹果树和梨树为研究对象,采用多光谱成像技术,测定SPAD值作为相对叶绿素含量,结合多种图像处理技术和数学建模方法,进行了果树不同尺度和不同树种的叶绿素含量监测研究,深入探讨了由不同特征变量构建的模型在预测精度上的差异,为果树生长监测和管理提供了理论依据和数据支持。主要研究内容如下:（1）以苹果树和梨树作为研究对象,采用多光谱成像技术获取叶片光谱图像,采用无人机搭载多光谱相机的方法获取果树冠层图像。针对由Parrot Sequoia传感器拍摄的叶片光谱图像畸变问题,采用了基于相机自身参数和空间转换原理的方法进行几何校正,其校正效果优于传统棋盘格标定方法的校正效果;在叶片图像处理中,采用基于图像配准和阈值分割结合的叶片区域提取方法,有效解决了不同波段光谱图像在空间上的位置差异问题和不同波段图像中叶片区域与背景区域的分割问题;在冠层图像处理中,采用基于归一化植被指数（NDVI）地图和数字表面模型（DSM）结合的纯冠层区域提取方法,将冠层图像中的纯冠层像素和裸土、阴影、杂草等混杂像素进行了有效分离。（2）基于单一树种叶片尺度进行了果树叶绿素含量监测研究。以植被指数、光谱特征和纹理特征作为不同变量类别建立了 SPAD值监测模型,探索单变量回归、多变量线性回归和多变量非线性回归方法在建模中的稳定性和预测精度,结果表明:基于 GNDVI（Green Normalized Difference Vegetation Index）的单变量模型表现了稳定的预测能力,在苹果树和梨树叶片研究中分别得到R2值为0.600和0.587;对不同回归方法进行比较,线性模型表现了较强的稳定性和相当的预测能力,在非线性模型中,高斯过程回归（GPR）模型具有比支持向量回归（SVR）和卷积神经网络（CNN）模型更强的稳定性;对不同自变量类别的模型结果进行比较,将纹理特征作为自变量虽在一定程度上提升了模型的预测能力,但模型优化效果并不明显。（3）基于单一树种冠层尺度进行了果树叶绿素含量监测研究。依据纹理特征与冠层SPAD值的相关性建立了苹果树冠层纹理指数（NTI-AC）和梨树冠层纹理指数（NTI-PC）,并将其与植被指数结合建立了双变量回归模型,在苹果树研究中GNDVI与NTI-AC结合的最佳模型结果为R2=0.550,在梨树研究中GRVI与NTI-PC结合的最佳模型结果为R2=0.675,与基于植被指数的单变量模型相比分别提升了 7.4%和37.8%。在多变量模型中,相比其他自变量类别,基于光谱特征和纹理特征结合的模型具有较高预测能力,其中GPR模型在苹果树研究中得到R2=0.788,RRMSE=10.1 1%,Ridge模型在梨树研究中得到R2=0.739,RRMSE=11.90%。可见,纹理特征可以反映果树在不同生长期的覆盖度、冠层结构等信息,在冠层尺度叶绿素含量的监测研究中具有重要贡献。（4）基于混合树种不同尺度进行了果树叶绿素含量监测研究,探索了具有不同树种适应性的SPAD估测模型。基于植被指数GNDVI的单变量模型在混合树种叶片SPAD值的监测研究中具有相当的稳定性,但针对冠层尺度单一树种验证集的表现均不理想,预测精度较低。将基于光谱特征的模型与加入纹理特征后的模型相比较,在不同尺度研究中,纹理特征的加入均明显提升了模型的预测精度。从回归方法来看,GPR回归模型不仅具有较强的预测能力,而且能够有效应用于单一树种的叶绿素含量监测研究。（5）研发了果树叶绿素含量监测系统平台,实现了图像处理与监测结果的可视化,促进了果树叶绿素含量监测模型的应用与推广,为果树管理提供了技术支撑。