植物表型是对植物可观察的物理、生理、生化等特征的综合描述,包括植株高度、果实数目、病虫害、产量及非生物胁迫等。农艺性状的鉴定通常通过表型选择来完成。传统的植物表型参数取得方式主要为标尺测量和人工目测,其中标尺测量一般会对目标样本造成破坏性取样测量,费时费力、效率低;人工目测可用于植株的病害程度、旱涝胁迫等,工作繁琐重复量大,测量结果主观性强,准确率得不到保证。现如今针对植株表型数据获取的方案较少,大多基于价格昂贵的专业三维扫描设备与专业分析软件,难以实现普及和应用。根据现代农业多维度农业信息获取与植物表型数字化表达发展的需求,研究低成本、无损的植物表型信息提取方法意义重大。蝴蝶兰因其艺术观赏性和花卉耐久性被认为是园艺工业中最受欢迎的兰花属,因难以杂交繁殖,目前主要依靠工厂化培育。本文以工厂蝴蝶兰苗期植株为研究对象,以Real Sense L515深度相机为主要研究工具,通过对Real Sense L515性能分析设计并搭建数据采集平台,从图像和点云数据两方面对植株表型信息提取方法开展研究,为工厂利用现代农业机械化手段进行管控培育等提供数据支撑。主要研究内容如下:（1）分析研究并搭建研究数据采集平台,采集试验数据。通过分析Real Sense L515相机性能,搭建数据采集平台,利用旋转台分别从8个角度采集彩色、红外深度图像数据,得到彩色点云原始数据。（2）植株病害表型信息提取方法研究。使用YOLOv5单阶段目标检测算法,提取蝴蝶兰植株的病害表型信息,如黄化、炭疽、煤烟等具有显著的位置和色彩特征。在YOLOv5模型上添加两种注意力机制,基于色彩通道的SENet和基于色彩与空间双重注意力机制的CBAM,更准确地获取病害表型的颜色信息与病害在叶子上的空间信息。对比分析发现,融合注意力机制的YOLOv5最优网络模型比原生YOLOv5模型,对病毒、黑霉、黄化、炭疽、疫病、软腐共6中病害的识别准确率从80.3%到91.1%提升12%。（3）基于点云数据三维重建方法研究。对原始点云数据进行滤波降噪、点云配准等步骤获得蝴蝶兰植株三维点云模型。通过建立统一的旋转台坐标系,将各角度点云还原到原始相对位置上完成初始配准,采用ICP算法和基于法向量夹角的ICP算法分别进行精配准,本研究采用的基于法向量夹角的ICP算法减小对应点间距离,点云对应点距离误差达到理想范围,并获得了完整的蝴蝶兰植株三维点云模型。（4）基于点云模型表型信息提取方法研究。通过对获得的蝴蝶兰植株三维点云模型采用HSI色彩空间分割结果提取植株株高植株、最小有向包围盒体积表型信息,利用叶片三角网格化提取叶面积表型信息。并将计算值与人工测量值比较,结果表明计算值与人工测量值间有良好的线性关系,且算法在植株上的效果大植株比小植株更好。