小麦是我国三大粮食作物之一,其生产状况直接影响着我国的粮食安全。小麦麦穗检测可以为农业生产管理环节提供重要的参考依据,快速准确地检测麦穗在评估小麦产量方面有深远影响和重要意义。由于大田中的小麦生长环境较复杂,特别是部分麦穗的尺寸较小、叶片遮挡且麦穗间重叠严重等情况会导致麦穗检测的准确度较低。另外,田间的快速检测对模型提出更高的要求,既能实现快速、准确地麦穗检测,还需要满足模型的轻量化要求,以便于检测模型植入移动设备,方便开展户外的麦穗检测。因此,本文旨在提高检测的精度和速度,主要研究在大田复杂环境下基于深度学习的麦穗检测方法,其研究结果具体如下:（1）开展了麦穗图像的预处理方法研究。针对自建麦穗数据集中部分图像存在模糊、分辨率较低的问题,进行了图像重建研究。首先,构建了基于SRCNN、NSFSRCNN、ESRGAN网络的图像重构模型。接着,通过与不同重构模型的对比,得出基于ESRGAN网络的重构模型的效果最好。最后,采用基于ESRGAN网络的重构模型对模糊图像进行处理,从而生成清晰、高分辨率的麦穗图像。（2）构建了麦穗图像的数据集。通过人工采集的大田小麦图像,构建了基于深度学习的大田麦穗图像数据集。为了克服各种环境干扰因素的影响,首先,对采集的图像进行亮度变换、对比度增强、随机多角度旋转等数据扩增处理。其次,在自建图像数据集进行麦穗目标的人工标注。最后,按照PASCAL VOC数据集格式对自建的数据集进行划分,随机拆分成训练集、验证集、测试集。（3）构建了基于深度学习的大田麦穗检测模型。首先,分别构建了基于Faster RCNN、R-FCN、SSD、YOLOv3的麦穗检测模型,并使用构建的检测模型对重构后图像及原始图像进行麦穗检测测试。接着,在相同测试集下对上述目标检测模型进行评价指标对比,得出YOLOv3模型的检测准确率最高。然后,为了实现麦穗检测模型的轻量化,构建了加速缩小版YOLOv3-tiny模型,并提出一种基于YOLOv3-Efficient Net网络的大田麦穗检测模型。最后,利用自建的数据集进行测试,结果表明:基于YOLOv3-Efficient Net模型的麦穗检测平均精度（Mean average precision,m AP）达90.91%,不仅比基于YOLOv3-tiny的测试结果提升了3.65%,而且比基于Faster RCNN、R-FCN、SSD的测试结果分别提升了7.53%、6.29%、12.54%,并且该模型大小最低为18.9MB。本文提出模型能够在平衡检测精度和速度的同时,实现了模型的轻量化以便于迁移到小型移动设备。