水稻是世界三大粮食作物之一,其种植面积及产量水平显著影响全球粮食安全。近年来,水稻种植过程中经验施肥带来的一系列环境问题愈发凸显。数字农业下的精准施肥与我国国情更相符合,体现了既要金山银山也要绿水青山的绿色农业发展目标。目前,江西水稻氮素营养监测仍限于依据水稻叶色长势的观察和种植人员的经验判断。因为农业生产具有很强的时效性,所以作物养分基本信息的获取要快速准确,亟需研究便携式无损分析的方法来辅助农户进行作物养分管理。数字图像技术是实现作物养分无损监测的主流技术之一,机器学习的方法是实现图像智能监测的一种重要途径。针对基于数字图像水稻养分监测存在的一些问题,如在复杂背景下水稻图像分割易错分、漏分,在小样本数据集上难以取得较高的养分分类识别准确率,水稻养分监测模型普适性差等。本文基于2019～2021年连续三年在江西开展大田试验采集的数码相机（Canon EOS 100D,分辨率为72 DPI）图像数据集和无人机（Mavica Air 2）图像数据集,展开水稻养分监测关键技术研究,完成的主要研究工作如下:（1）提出了一种复杂背景下基于阈值+改进UNet算法的水稻冠层图像分割方法,为构建养分分类识别模型和监测模型提供了高质量的图像输入数据。在相同数据集下,相比于常规的阈值分割和K-means聚类分割算法,该方法分割准确率可达到0.969。与特征金字塔（feature pyramid networks,FPN）和UNet++分割算法对比,作物分割准确率得到了提升,分割效率高,为进一步提升基于数字图像方法的水稻氮素养分监测精度提供了支撑。（2）提出了基于随机梯度下降（stochastic gradient descent,SGD）优化器+Efficient Net V2-S神经网络对水稻养分状态的精准分类识别方法。通过构建水稻氮营养指数的监测农学模型NNI,得出水稻冠层图像临界氮浓度曲线分类依据;基于数字图像特征的Efficient Net V2-S神经网络的水稻全生育期养分状态分类结果表明:在全生育期平均分类准确率达到了0.88,克服了传统模型分时期分类识别的缺陷,且相比于传统机器学习算法中分类准确率最高的梯度提升算法的0.71,有了显著的提升;分类识别的对比研究结果表明:基于Efficient Net V2-S网络的识别模型分类准确率高于Alex Net、VGG19、Goog Le Net和Res Net50等深度学习算法,在拔节期最高达到了0.908。结合优化器特点,提出了SGD优化器+Efficient Net V2-S网络的分类识别模型,研究结果表明:分类准确率在拔节期提高至0.921,试验结果验证了基于数字图像水稻养分状态分类识别的可行性,并为后续开展水稻氮素定量监测提供了参考。（3）提出了一种融合特征+改进Res Net50的水稻全生育期氮素养分监测方法。将融合图像颜色纹理特征作为改进深度残差网络Res Net50输入,充分利用水稻冠层图像复合特征,实验结果表明,所提出的算法在全生育期数据集上监测精度R~2达97%,RMSE值为0.02;相比于传统机器学习算法中最高的随机森林预测精度提高了0.13,比常用的长短记忆网络LSTM的预测精度高出0.08,比未改进前的Res Net50算法的预测精度提高了0.12。以不同年份的数据集作为验证,结果显示:预测值和实测值相关系数达到0.95,说明了所提方法用于水稻养分定量监测的可行性。（4）验证了将基于数码相机图像构建水稻养分监测模型的方法应用到区域尺度无人机水稻养分监测上的可行性。应用结果表明:通过改进图像融合特征,可实现融合特征+改进Res Net50水稻养分监测方法在无人机上的应用,在全生育期预测精度R~2可达93%,RMSE值为0.04。通过本论文的研究,提高了复杂背景下水稻冠层图像的分割准确率,实现了面向散户与区域尺度的全生育期水稻氮素养分定性与定量监测,可为水稻养分智能监测方案提供重要的参考依据,具有良好的应用前景。