森林冠层图像可以反映森林生态系统中植物种群生长的各种参数,这些参数可作为生态学模型、全球生态系统变化模型的输入量,对生态系统健康状态和生产力水平、全球气候变化研究具有重要意义。森林冠层图像分割技术在森林生态系统分析领域具有较高的研究价值。当前森林冠层图像的分割着眼于冠层整体与天空背景两部分,这样很容易丢失冠层内部的一些细节信息,为后续参数求取、3D建模带来不利影响。近年来,深度学习成为图像分析领域中最有前途的技术之一。本文研究了深度学习在分割林冠图像中各种遮光因素方面的应用,主要贡献包括如下几个方面:(1)构建了一个可用于深度学习技术分析的森林冠层图像数据集。首先,用半球摄影法采集森林冠层图像的原始数据。为提高分割算法的运行效率和普适性,利用卷积神经网络CenterNet去除实验样本图像的无效区域,得到其有效成像区域作为分割的实验对象。其次,利用人工与采用K-means聚类算法相结合的方式对检测出来的实验对象进行标注。最后,使用数据增强的方式扩充数据集,并根据5折交叉验证法对数据集进行划分。(2)研究了基于全卷积神经网络的分割算法。采用奇偶混合的级联空洞卷积代替全卷积神经网络中的部分池化层提取特征,同时引入多尺度特征融合策略,提出了一种新的全卷积神经网络模型DB-FCN,并对该模型分割森林冠层图像的实验结果进行分析,讨论batch-size对模型训练的影响。并与传统森林冠层图像分割算法(Otsu法、二维Otsu法、三维Otsu法、最大熵法、k均值法与模糊c均值法)的分割结果进行了对比。(3)研究了全卷积神经网络图像分割算法的优化理论。在模型DB-FCN的基础上,加入可移植的双注意力机制模块优化特征的选择,同时利用二阶条件随机场对模型进行后优化。改进后的模型DBC-FCN-CRFs对森林冠层图像进行了分割,通过分析实验结果,比较了经典FCN模型和改进FCN模型的优势与不足。本文提出的具有开放性的森林冠层图像分割方法,能够有效改善不同渠道采集的数据间差异对分割模型带来的影响,并且实现了森林冠层图像有效成像区域内枝干、树叶、天空部分的分割,为森林生态系统的研究提供了必要的技术支持。