玉米作为重要粮食作物之一,经济价值较高。不论是在玉米作物的生产种植还是新品种培育上,植株表型是关键信息,表型性状的精准获取具有重要意义。传统表型研究方法主要依靠人工测定,存在工作量大、效率低下、容易损伤作物等问题。此外,人工收集作物表型信息难以做到全面、精准,已成为数字农业和育种研究中的技术瓶颈。三维重建技术作为作物形态学研究的有效工具,可实现作物表型量化及精准获取。因此,本文利用自主研发的三维成像装置在室内采集了不同视角下的玉米幼苗图像序列,基于运动恢复结构（Structure from Motion,简称为SfM）算法对玉米植株进行了三维重建,并建立了表型性状提取算法。本文的主要研究内容和成果如下:（1）本文基于SfM算法对苗期玉米植株进行了三维重建。为了综合考虑点云重建的准确性和快速性,采用RGB相机拍照和视频抽帧等方法获取多视角图像序列,并在此基础上结合SfM算法实现玉米幼苗三维重建。以欧氏聚类算法、颜色滤波算法和体素滤波算法为核心建立点云预处理流程,在去除玉米点云初始数据的背景、点云噪声点及降低点云运算规模等方面取得了较好的成效。结果表明,本文中设计的算法流程在提取玉米点云模型方面具有较好的效果。此外,还使用区域生长分割算法对玉米幼苗进行茎叶分割识别,达到了预期效果,可以实现对植物器官的准确分割及识别。（2）本文提出了一种玉米植株双面配准方法。以得到形态结构较完整的点云模型为目标,利用数据采集平台采集玉米上下面图像序列并根据SfM算法三维重建得到原始点云数据,经预处理后得到标记物与玉米点云模型。对标记物进行配准后,比较了四点全等集配准算法（4PCS）和主成分分析算法（PCA）在点云粗配准方面的效果,结果表明采用4PCS具有更好的效果。接着在4PCS算法粗配准的基础上采用迭代最近点算法（ICP）进行标记物的精配准,得到变换矩阵后将其应用于玉米点云,即完成了玉米点云的双面配准。（3）对苗期玉米植株的表型参数进行了分析。本研究中提取的玉米表型参数如株高、叶长、叶片面积和叶宽等与相对应的人工测量值有显著线性关系,决定系数R2分别为0.991、0.989、0.926和0.963,株高、叶长、叶宽的均方根误差RMSE分别为8.61、7.11和0.60 mm,叶片面积的均方根误差RMSE为281.62 mm2。