黑土作为全球公认最肥沃资源,是我国东北商品粮基地的重要基础。而大孔隙是水分和溶质运移的主要路径,能为植物根系生长、微生物活动等提供充足营养和空间。探索大孔隙结构有助于理解黑土生态过程的发生发展,也对黑土结构改良、灌溉制度制定具有指导意义。由于大孔隙复杂不规则性和时空变异性,受现有图像处理方法限制,大孔隙获取存在自动化程度弱、精度低、鲁棒性差的问题。因此,大孔隙精准分割和重构是当下黑土结构研究的一个难点。本文从大孔隙结构表达和可视化这一目标入手,提出了自动化、智能化分割与重构方法,实现了大孔隙精细分割和三维特征准确描述,对因含水率、物理状态导致的图像变化具有自适应性。具体包括:（1）提出了自适应模糊C均值大孔隙分割方法针对现有分割方法自动化程度弱和精度低的问题,本文提出了自适应模糊C均值法（AFCM）大孔隙分割法。该方法基于黑土CT图像特征自动选择聚类数目,并依据大孔隙分割准则实现分割目标的灵活表达。通过与经典大孔隙分割方法（Image J和IPP）比较证明,AFCM法具有自动化程度高和大孔隙分割能力强的特点。（2）提出了基于灰度-梯度特征的模糊C均值大孔隙分割方法针对AFCM法隶属度矩阵初始化的局限性,提出了基于灰度-梯度特征的模糊C均值大孔隙分割方法（GGFCM）。该方法能够根据图像灰度-梯度信息,完成隶属度矩阵自动分区赋值,实现像素点预分类。实验结果表明,GGFCM法分割错误率在第10次迭代时已低至FFCM法和AFCM法的9%和6%,证明了GGFCM法具有最高分割精确度和最快分割效率。（3）提出了基于邻域约束的模糊C均值大孔隙分割方法受黑土非均质性和部分容积效应影响,大孔隙具有邻域相似性;而且上述两种方法仅考虑单独像素点会错误分割大孔隙结构。因此,本文将八邻域信息引入目标函数,提出了基于邻域约束的模糊C均值大孔隙分割方法（GGFCM-N）。实验结果表明,GGFCM-N法具有最小平均面积/周长相对误差（2.98%和5.46%）、分配熵（0.8118）、类间关联性（0.1640）和最大分配系数（0.1120）,证明了GGFCM-N法对不同形态大孔隙具有更佳分割性能。（4）提出了简化卷积网络大孔隙分割方法受大孔隙复杂多变性和细小不规则性影响,上述三种方法均存在过分割和欠分割现象;而且考虑到实际应用中,分割方法应对不同黑土CT图像具有强鲁棒性,本文提出了简化卷积网络法（SCN）。该方法能够通过多重卷积实现大孔隙多维特征的全面表达。实验表明,SCN法具有最高分割准确率（99.82%）、分割精度（99.61%）和分割召回率（99.93%）,证明了SCN法具有最优大孔隙分割性能。（5）探索了大孔隙三维模型重构方法大孔隙三维特性是评估黑土功能的重要条件,因此,为实现大孔隙空间结构直观显示和拓扑特征充分表达,本文探索了大孔隙三维模型重构方法。基于大孔隙二维图像,验证了光线投射法对于黑土大孔隙真实模型构建的适用性。同时,证明了并行细化法提取的大孔隙骨架模型具有良好连通性、细化性和中心性,能够准确描述黑土大孔隙拓扑特征。