玉米是我国主要粮食作物之一,而玉米生长期间土壤水分含量是影响玉米产量的重要因素,快速、准确的检测玉米水分胁迫程度可及时指导大田水分灌溉,避免玉米植株由于亏水造成的减产。本文针对玉米植株水分胁迫检测存在操作复杂、损害植物、精度不高等问题,在分析和总结国内水分胁迫检测研究成果的基础上,拍摄了多视角玉米拔节期序列图像,研究玉米点云骨架提取方法、玉米植株株型参数自动提取方法,并构建玉米水分胁迫预测模型,以实现无接触玉米植株株型参数测量和水分胁迫预测,为玉米的株型参数和检测水分胁迫提供一种快速便捷的方法。论文主要工作及结论如下:(1)搭建多视角玉米图像采集系统及玉米图像预处理方法研究。以‘掖丰203’玉米为研究对象,用佳能70D型相机采集24株玉米拔节期序列图像,每株玉米共采集16次图像,每次采集3个视角,共1153幅图像。相机获取的玉米图像中包含花盆、地面等背景信息,研究采用HSV提取分割玉米植株,利用形态学膨胀及连通域面积去除离散点,利用Scharr滤波器检测玉米植株边缘,最终得到玉米植株的边缘信息。(2)针对玉米植株叶片遮挡造成点云模型存在缺失区域的问题,研究并提出了基于多视角立体视觉技术的玉米重建方法。利用SURF算法对预处理后的玉米图像进行特征点检测及匹配,重建出玉米单视角点云模型,采用ICP配准方法将2个视角的点云数据进行融合,配准误差小于迭代终止条件0.01mm。在此基础上,研究了稀疏的玉米点云模型骨架提取方法,采用基于L1中值迭代算法得到了玉米植株骨架点云。(3)研究并提出了基于玉米植株几何特征的主要株型参数自动测量方法。为实现和玉米水分胁迫程度相关的株高、节间高度、全展叶叶长的3种株型参数的自动测量,研究了基于玉米植株几何特征的株型参数提取方法。试验结果表明,株高、节间高度与全展叶叶片长度RMSE分别为1.82 cm、0.42 cm和0.84 cm,具有较高的株型参数测定精度,可满足玉米水分胁迫预测要求。(4)玉米水分胁迫模型的构建和优化。分别建立基于节间高度、全展叶叶长和株高增长量的单一参数玉米水分胁迫模型,用线性回归模型、指数回归模型和多项式回归模型对土壤含水率进行预测。试验结果表明,基于节间高度的水分胁迫预测模型采用指数回归RMSE最小为2.93%;基于株高增长量的水分胁迫预测模型采用多项式回归RMSE最小为2.96%;基于全展叶叶长的水分胁迫预测模型采用多项式回归RMSE最小为3.20%。为综合考虑玉米株型参数,将180组玉米株型参数和土壤含水率数据分为训练组的135组样本和验证组的45组样本,分别用LVQ神经网络模型、PNN神经网络模型和ECOC-SVM神经网络模型构建玉米水分胁迫预测模型,用验证组45组样本验证模型预测准确度。试验结果表明,建立的PNN神经网络玉米水分胁迫程度预测模型预测效果最佳,分类准确率达到95.55%,具有较高的预测精度。