作物生长期自动识别是精准农业支持技术的核心部分之一。传统农作物的生长期通过人工手动观测记载,存在费时费力、效率低下、人为主观性强、观测标准不一、测量精度难以保证等问题。目前,主要利用图像处理技术对农作物生长期进行分类识别,由于在田间拍摄农作物图像,需要固定拍摄设备,并在相同距离下进行拍摄,对光线、拍摄角度等要求较高。随着近年来深度学习在计算机视觉领域的广泛应用,本文以玉米图像为研究对象,采用深度学习技术对田间拍摄的玉米不同生长期图像进行识别研究。本文通过对田间拍摄的玉米图像进行预处理,运用卷积神经网络提取玉米图像特征,结合PSO优化算法构建基于二叉树结构的多级SVM,实现玉米生长期的分类识别,主要工作如下:(1)对田间拍摄的玉米图像进行预处理。结合玉米植株的颜色特点,对田间拍摄的玉米图像采用数学形态学算法和前景目标分割算法对玉米图像进行预处理,滤除了图像中的土壤、杂草、光线等干扰噪声,为后续提取玉米图像特征做准备。(2)采用卷积神经网络对玉米图像进行特征提取。采用卷积神经网络进行训练时由于样本不够多,网络参数得不到充分训练导致分类效果较差。这里首先采用翻转、裁剪、旋转等数据增强技术进行数据集扩充,然后使用UCI数据集预训练模型,保存训练好的网络模型,将预处理后的玉米图像代入训练好的模型中并进行模型微调,提取能有效地表征玉米图像的特征。(3)结合粒子群优化算法优化SVM参数,构建基于二叉树结构的多级SVM模型。对提取的玉米图像特征,采用最佳参数训练SVM模型,返回玉米生长期的分类准确率,并将优化前后的分类实验结果进行对比,验证该方法的有效性。