小麦是世界上种植面积最广泛的作物之一,也是我国主要的粮食作物,小麦的稳定生产对实现国家粮食安全具有重要意义。倒伏是造成小麦减产的主要因素之一,在小麦生长过程中,台风、强降水、病虫害、氮肥过量等因素均可能造成小麦根茎部分发生倾斜或折断,影响小麦的品质和产量。倒伏发生后,对倒伏地块进行快速精准的调查监测有助于为灾后应急处置和后续农业保险理赔提供数据支持。随着深度学习的发展,网络结构普遍变得越来越复杂,而在农业领域,由于大多数农业生产场景都更加关注模型的快速处理能力和有限的硬件资源,因此找到一个平衡性能和速度的模型尤为重要。本研究的主要工作如下:（1）构建多时相小麦倒伏数据集。在田间小麦的灌浆期、成熟期和完熟期使用无人机对固定地块的小麦麦田进行长期监测,最终获得了小麦生长周期中倒伏的完整图像数据,为小麦倒伏的相关研究提供了大量数据素材。根据小麦生长期的不同,本研究划分了三类倒伏数据集,各时期数据集之间的小麦植株颜色特征和倒伏区域纹理特征具有明显差异。最后对各时期小麦倒伏数据进行数据标注与处理,获得了高质量的小麦倒伏数据及其标签文件。（2）基于深度学习的小麦倒伏面积提取方法。以小麦倒伏数据为研究对象,结合小麦倒伏区域特征明显且边缘处不规则的特点,选用语义分割模型作为提取小麦倒伏区域的深度学习方法,构建基于Transformer网络的Seg Former-B1模型与基于卷积神经网络的Deep Labv3+模型,实现了对小麦倒伏的精准无损监测,模型训练及评估结果显示,Seg Former-B1模型在小麦倒伏数据集中表现良好,在测试集中的准确率和平均交并比分别达到了96.56%和89.57%,并且相比于Deep Labv3+模型大大提高了模型的预测速度,这说明Seg Former-B1模型有助于在保证模型分割效果的前提下对小麦倒伏区域实现快速监测。最后,基于Seg Former-B1模型在小麦倒伏图像中预测得出的标签文件,结合无人机的地面分辨率参数,本研究实现了对小麦倒伏面积的精确提取。（3）多时相小麦倒伏数据集特征差异研究。为了探讨不同时期小麦倒伏图像之间的特征差异,以多时相小麦倒伏数据为研究对象,选取常用的8种语义分割模型分别进行训练验证与测试,结果表明,在绝大多数情况下,各模型在倒伏Ⅱ期数据集中获得了更高的评价指标。在将各单一时期小麦倒伏数据集训练得到的模型应用到小麦的其他生长阶段时,模型的分割效果均出现不同程度的下降,这说明基于单一时期小麦倒伏数据集训练得到的模型并不能完全适用于小麦的全生长阶段。此外,本研究建立了混合时期小麦倒伏数据集,使用单时期倒伏数据集中表现较好的模型进行混合数据集的训练验证与测试,结果表明,相比于各单一时期倒伏数据集训练得到的模型在其测试集中的表现,在大多数情况下,混合时期倒伏数据集训练得到的模型在混合时期测试集中能够获得更高的评估指标,更适用于实际的农业生产监测。