使用植物表型组学大数据可以从组学的角度系统、深入地探讨“基因型-表型-环境型”之间的本质关系,全面阐明植物特定生物性状形成的机制,将有效促进作物育种和智慧栽培研究的进程。当前,作物表型高通量获取传感器和平台发展迅速,初步形成了作物表型组学大数据。然而,如何将所获取的图像和点云等原始表型数据转化为农学专家可用的农艺性状,成为了植物表型组学研究新的问题,迫切需要开展高通量、自动化的表型解析算法研究。植物表型组学大数据具有多尺度、多生境以及多源异构等复杂特征,其标准化、高通量处理方法存在精度差、适用性低等问题。使用深度学习算法实现不同尺度多源异构植物表型大数据的高通量处理与解析具有重要意义。本文以玉米为例,利用田间高通量表型平台、无人机平台和便携式作物单株表型平台获取玉米群体和个体的图像和点云数据,通过引入深度学习技术,开展了玉米苗期群体顶视图像分割、玉米群体图像和点云数据融合、玉米植株点云分割研究,实现了玉米群体、个体和器官的高通量、自动化表型解析。文章的主要研究内容如下:1、基于端到端分割网络的田间玉米苗期高通量表型解析针对田间玉米顶视图像处理过程中图像分割依赖经验阈值、表型提取精度不足等问题。提出了一种基于冠层顶视图像的苗期作物群体表型信息提取方法:开发了一种端到端分割网络Plant U-net,实现基于少量训练数据的玉米苗期植株顶视图像自动分割;在此基础上,实现了植株覆盖度、外接圆半径、纵横比和生长方位平面角等玉米苗期植株形态和颜色表型的自动解析。结果表明:该方法可以快速、准确地分割无人机和轨道式田间表型平台获取的苗期玉米群体顶视图像中的植株,平均分割精度为0.96,召回率为0.98,F1值为0.97;所提取的植株覆盖度、外接圆半径、纵横比和生长方位平面角参数与人工测量结果高度相关（R2=0.96-0.99）。该方法训练数据少,具有较好的可拓展性,为作物群体顶视图像高通量表型解析提供了实用技术手段。2、融合图像和点云数据的田间玉米群体表型动态监测针对激光雷达数据进行田间植物群体高通量、高时序的表型数据提取存在点云数据配准的问题。研究使用田间轨道式表型平台搭载激光雷达和工业相机对田间玉米群体进行高通量、高时序的原始数据采集,使用田间玉米群体正射图像配合直接线性变换算法（DLT）对激光雷达点云数据进行配准,配准后基于布料模拟滤波算法（CSF）去除地面点云。针对群体点云中进行精准表型参数提取问题,提出一种体素切片的方法对玉米群体点云进行处理,最终以品种为单位进行了植株高度的提取。结果表明,连续45天内,使用本研究所提方法获得的13个品种玉米植株高度与人工测量值高度相关（R2>0.95）。株高提取的准确性证明了本章介绍的研究所提方法的可靠性,显示了利用田间轨道式表型平台进行高通量、高时序的植物群体表型解析的可行性。3、基于三维卷积神经网络的玉米植株点云分割与表型解析自动化的植物点云分割方法是实现植物三维表型大数据处理的瓶颈之一,针对这一问题,研究以玉米为例,提出一种整合高通量数据采集和深度学习的植物三维点云分割方法Deep Seg3DMaize。该方法针对深度学习对训练数据集数据量大、数据质量好、形态结构特征覆盖度高的需求,提出采用作物单株高通量平台获取关联分析玉米群体植株点云构建数据集的方法。具体地,分别使用自主研发的MVS-Pheno作物单株高通量表型平台和玉米植株点云标注软件Label3DMaize完成高通量数据获取和点云数据标注。在此基础上,引入Point Net深度学习算法实现了玉米植株三维点云的茎叶语义分割和器官实例分割。研究结果表明,茎叶语义分割的平均精度和F1-Score分别为0.91和0.85;器官实例分割的平均精度和F1-Score分别为0.94和0.93。基于分割结果提取的叶长、叶宽、叶倾角、叶基高度、株高和茎高与实测值的相关性分别为0.90、0.82、0.94、0.95、0.99和0.94。该研究实现了玉米植株点云高通量获取-植株点云自动分割-植株表型解析的完整流程,为植物单株尺度三维表型精准鉴定提供了系统化的解决方案参考。本研究致力于开发玉米多源异构原始数据高通量表型解析方法,实现二维-三维多维度数据融合解析;田间玉米群体-单株-器官级别的多尺度表型参数精准提取,为田间玉米关键表型参数监测提供解决思路。研究对玉米作物长相长势监测、苗情评价、栽培管理决策等具有重要意义,期望为现代育种和高效栽培提供有价值的工具。