棉花是中国核心战略物资，对我国经济安全具有非凡的意义。而为了在棉花不同生长阶段能够及时的根据长势动态采取有效措施降低棉花种植成本，需要对棉花的生长过程进行自动化监控。其中，使用计算机视觉技术实现棉田冠层图像语义分割是对棉花群体状态监测的重要步骤。精确有效地分割出图像中的棉田冠层区域，不仅可以为监测棉花生长状态提供研究对象数据，还可以为棉花自动施药、自动采摘打下基础，具有一定的实际意义。为此，本文展开以下研究工作:
　　1.棉田冠层图像分割相关理论介绍。概述了图像分割领域的研究现状，详细说明了当下农业场景中图像分割应用的现状;介绍了棉田冠层的定义和冠层图像的采集方法;描述了语义分割技术的内涵和常见的数据集;着重说明了语义分割技术中全卷积网络和对抗学习的思想。
　　2.全卷积网络图像语义分割方法分析研究。详细描述全卷积网络(FCN)的网络结构并介绍具体功能。之后深入分析全卷积网络的训练过程，详细介绍训练细节，描述基于FCN的图像语义分割方法存在的缺陷和不足。最后说明现有FCN网络改进方法，分析这些方法存在的不足。
　　3.基于生成对抗网络的改进棉田冠层图像语义分割方法。针对全卷积网络语义分割方法存在的图像训练效率低，分割图像细节不够精细的问题，本文结合生成对抗网络的思想，提出基于生成对抗网络的图像分割网络模型——分割生成对抗网络模型，以此提出了改进的棉田冠层图像语义分割方法。然后详细介绍该模型结构和训练方法，并说明了该模型的构建方式和参数设置。
　　基于上述研究构建棉田冠层图像数据集，设计对比实验验证本文方法的有效性和可行性。实验结果表示，该方法可以有效地从复杂大田环境下获取冠层区域，具有一定的实用价值。