玉米雄蕊生长在玉米植株顶端,是判断玉米进入抽雄期的关键标志。相关研究指出玉米雄蕊大小与玉米产量有着直接联系,农田玉米雄蕊的准确识别对玉米去雄和玉米品种选育等工作具有借鉴意义。本文基于可见光无人机遥感技术分别获取单一背景玉米雄蕊数据集和复杂背景玉米雄蕊数据集,根据不同数据集中玉米雄蕊的表型特性和背景复杂度,分别建立单一背景下改进的Center Net玉米雄蕊识别模型和复杂背景下改进的YOLO x-s玉米雄蕊识别模型。主要研究内容及结论如下:（1）建立了单一背景玉米雄蕊数据集和复杂背景玉米雄蕊数据集。基于可见光无人机遥感技术,获取2020年和2021年两年的农田环境下玉米雄蕊图像。分析了拍摄的玉米雄蕊目标表型存在目标模糊、残缺、遮挡、不同分叉等情况;分析了拍摄的玉米雄蕊背景存在着试验杂物、白地膜、黑地膜、秸秆、杂草、灌丛、裸地等干扰因素。为后续建立雄蕊识别模型提供数据基础。（2）提出了一种基于改进Center Net的玉米雄蕊识别模型,并在单一背景玉米雄蕊数据集上验证其检测性能。基于无锚框的Center Net目标检测模型,通过分析玉米雄蕊的尺寸分布,简化骨干特征提取网络并添加位置坐标,提出了一种改进的玉米雄蕊识别模型。首先,针对雄蕊尺寸较小的特点,去除Center Net网络中对图像尺度缩小的特征提取模块,在降低模型参数的同时,提高检测速度;其次,在Center Net特征提取模型中添加位置信息,提高定位精度,降低雄蕊漏检率;最后,实验结果表明,与有锚框的YOLO v4、Faster R-CNN模型相比,改进的Center Net雄蕊检测模型对无人机遥感影像的玉米雄蕊识别精度达到92.4%,分别高于Faster R-CNN和YOLO v4模型26.22、3.42个百分点;检测速度为36 f/s,分别比Faster R-CNN和YOLO v4模型高出32 f/s和23 f/s。提出的方法能够准确地检测无人机遥感图像中尺寸较小的玉米雄蕊,为单一背景下中小目标玉米雄蕊识别提供参考。（3）提出了一种基于改进YOLO x-s的玉米雄蕊识别模型,在背景复杂且包含大小不同目标的玉米雄蕊数据集中验证了模型的准确性和鲁棒性。基于YOLO x-s目标识别模型,在路径聚合网络中将下采样采用的串联方法替换迭代注意力聚合模块,以更好的实现高分辨与低分辨率特征层的融合。试验结果表明,改进的YOLO x-s模型较原模型平均精度提升了2.15个百分点。其中在大目标类别玉米雄蕊检测中精度提升了1.36个百分点,召回率高6.3个百分点,在中小目标雄蕊检测中精度提升了2.94个百分点,准确率提升了5.26个百分点。同时通过分析在测试集上的识别效果,证明了改进后的模型在湿润裸土、黑地膜、白地膜、杂草背景下的识别效果较好。另外,还在公开数据集Maize Tassel Counting Datasets上进行了计数验证,模型的平均误差和均方根误差分别为3.6和4.3,低于Tassel Net识别模型的4.8和5.8,验证了该模型的鲁棒性。改进后的YOLO x-s玉米雄蕊识别模型识别精度更高鲁棒性更优。