利用数字图像准确、快速、无损地开展小麦生育期养分检测方法研究,对小麦作物生长管理及产量预测具有重要意义,同时也是农业机械化与自动化发展的迫切需求。为了更好地实现对小麦生长过程的动态监控,为合理变量施肥提供科学指导,本文以大田环境下的拔节期小麦为研究对象,以准确、快速、无损的小麦矿质养分含量检测为研究目标,通过不同施氮水平实验,利用叶片和冠层两个尺度的小麦图像及叶绿素含量数据,基于数字图像技术和机器学习算法,对小麦叶片和冠层两个尺度下的叶绿素含量检测模型和冠层尺度下的小麦氮素缺乏等级判别模型展开了深入研究,主要研究工作和结论如下:（1）为解决大田环境下小麦叶片图像和冠层图像的目标提取问题,充分考虑了两种图像的特征,给出了小麦叶片和冠层的目标提取方法。在叶片图像分割方面,提出了迭代彩色分割方法,实现了背景与叶片目标分离,实验结果验证了该方法的有效性;针对大田环境下小麦冠层图像光照不均和背景复杂的问题,通过分析土地、冠层叶片及阴影部分像素点RGB颜色空间各分量灰度值的特性,提出了基于RGB颜色空间的灰度阈值分割方法,实现了小麦冠层目标和土地的分离,大量实验结果表明,该方法在光照不均、背景复杂的小麦冠层图像上实现了很好的分割效果,克服了细小叶片区域的过分割现象。（2）针对大田环境下小麦叶片图像、冠层图像与叶绿素、氮素含量的相关特征提取问题,建立了一组融合多颜色空间的图像评价指标集。为降低自然环境对RGB颜色空间的影响,利用不变矩构造了 rgb颜色空间并基于该空间拟合了组合颜色特征指数（CCFI）;提取了 RGB、rgb、HSI以及La*b*多个空间下的均值等一组颜色指标,引入了描述小麦冠层生长特性的颜色标准差特征和覆盖度参数作为图像指标,给出了相应的计算公式,并利用实验证明了图像评价指标集的有效性。（3）针对大田环境小麦叶片尺度下的叶绿素含量检测问题,基于皮尔逊相关系数提出了小麦叶片图像评价指标集的特征降维方法,为得到最优检测模型,提出了基于相关度评价的逐步模型输入方式（CBSI）,建立了小麦叶片叶绿素含量最优检测模型。实验表明,与其他模型相比,小麦叶片叶绿素检测模型Input11-LR为最优模型,其决定系数（R2）为0.727,均方根误差（RMSE）为5.005。该研究结果为大田环境小麦叶片叶绿素含量检测提供了理论基础和方法参考。（4）针对大田环境小麦冠层尺度下的叶绿素含量检测问题,综合考虑图像评价指标与叶绿素含量相关程度和去光照处理效果两个因素,分析了不同拍摄角度对各图像评价指标的影响,确定了 90度为最佳拍摄方案,利用小麦冠层图像评价指标集与叶绿素含量的相关度,建立了线性回归（LR）、岭回归（RR）、随机森林（RF）以及反向传播人工神经网络（BP-ANN）小麦冠层叶绿素检测模型,并通过嵌套交叉验证和参数寻优确定了小麦冠层叶绿素最优检测模型。实验结果表明,与LR、RF以及BP-ANN模型相比,检测模型Input8-RR获得了最高的R2值0.838和最低的RMSE值2.825,说明本文构建的最优模型可以提高小麦冠层叶绿素检测模型的预测精度,能有效评估小麦冠层叶绿素含量。（5）针对大田环境小麦冠层尺度下的氮素缺乏等级判别问题,提出了一种基于遗传规划算法（GP）的指标选择和构造方法,利用构造的高层次图像评价指标集结合C4.5、K近邻（KNN）和朴素贝叶斯（NB）分类算法,建立了小麦氮素缺乏等级判别模型。实验结果表明,基于GP的指标选择（Fs）和构造方法（Fc）在降低输入指标维度的同时,能够提高小麦氮素缺乏等级判别模型的精确度;最优小麦氮素缺乏等级判别模型Fc-NB的平均分类正确率为75.35%,最高分类正确率为85.42%,标准差为5.77,能够满足小麦氮素缺乏等级判别要求。