植物气孔是植物个体与外界环境进行物质和能力交换的通道,对调节生态系统碳、水循环、植物与环境相互调控等过程起着极其重要的作用。气孔的准确识别和分析是气孔格局和气孔特征参数计算的关键。目前的植物气孔图像采集方法主要采用撕取叶片表皮组织,制成标本在显微镜下成像,气孔数量统计分析多采用人工测量或半自动化技术,难以实现准确、高通量、自动化处理。因此本文在深入分析叶片气孔显微图像的特点的基础上,构建基于Faster R-CNN目标检测框架的气孔识别网络模型,优化网络参数,实现植物叶片显微图像的气孔检测和分析。本文使用VHX-2000数码显微镜分别采集两种放大倍率(500X,1000X)下共1000多幅杨树叶片气孔图像。在经过预处理和目标标注软件标注之后,制作只含500X气孔图像、只含1000X气孔图像和两种倍率气孔图像混合三个类型数据集,并分别训练三种气孔目标检测模型。使用三种模型对包含两种倍率的共200幅气孔图像(500X和1000X各100张)交叉进行气孔目标检测,同时自动统计了检测出的气孔总数量,并计算得到气孔目标检测的精度和召回率。气孔检测精度为99.92%,检测召回率最高为99.32%(1000X模型测试同倍率数据),最低值为89.59%(500X模型测试1000X数据)。用检测召回率最高的模型和对应倍率的气孔图像参数计算出杨树叶片下表皮气孔密度为183个/mm2。实验结果表明,本文杨树叶片气孔检测模型对杨树叶片气孔检测有输出检测结果快,准确率高的优点。利用杨树气孔图像训练的气孔目标检测模型对100幅白桦叶片气孔图像进行气孔检测实验,得到白桦气孔目标检测的召回率为95.60%。结果表明,本文提出的气孔检测模型具有良好的模型泛化能力。