谷子是我国旱作农业的主要作物,起源于中国,作为小杂粮之一,具有较高的营养价值。植物表型指作物在生长发育过程中所表现的一系列生理、生化性状,在一定程度上可以反映当前作物的生长状况,因此,对植物表型快速测量在作物产量的提高与质量的提升方面具有十分显著的作用。然而,目前我国对谷子的表型测量还主要是以人工的测量方式为主,需耗费大量的时间和劳动力,且人眼判断也会具有一定的主观性,使得表型工作测量效率低、准确性差。图像处理技术与农业不断融合,可改善以上传统人工测量中存在的问题,实现谷子表型测量的智能化、自动化、高效化。本研究以晋谷21为试验材料,表型测量主要分为大田和室内两部分,通过数码相机分别获取谷子大田群体和谷子室内单株的RGB图像,然后采用灰度化、二值化、形态学操作和骨架提取等常见的图像处理技术,实现谷子大田图像的冠层分割及谷子室内图像的茎叶分割,并通过分割结果,研究较优异的算法计算谷子叶面积指数、生物量、叶长、叶宽、株高等表型参数,以此实现谷子表型的快速测量。主要研究结果如下:（1）大田谷子冠层提取。分别采用了超绿分割、基于Lab颜色空间的Kmeans聚类分割和基于H分量的Kmeans聚类分割三种算法,对谷子阴天、背景复杂有阴影、光照不均、露水雨水反光四类冠层图像进行冠层提取。实验表明,对于阴天和背景复杂有阴影的谷子冠层图像,三种算法均可以较完整的提取,分割精度均达到93%以上;对于光照不均的图像,超绿分割效果最差,基于Lab空间和HSI空间的K均值聚类分割效果相对优异,分别为93%和96%;对于露水雨水反光的图像,基于H分量的K均值聚类分割精度最高,达到97%。（2）室内谷子茎叶分割。获取室内谷子原图像之后,需要先预处理,将原始的RGB图像实现二值化,然后采用骨架提取及基于zhang的骨架细化算法,得到谷子的最终骨架模型,寻求骨架的交叉点,并通过叶片标记和交叉点完成茎叶分割和各个叶片的分割。结果表明,该算法可以快速、准确的实现谷子茎叶分割,并且对不同生育期的谷子分割效果均较理想。（3）大田谷子表型测量。在完整提取谷子冠层的基础上,分别计算图像的冠层覆盖度CC和蓝光标准化值b、过绿指数EXG、绿光标准化值g、超红指数EXR、过绿减超红指数EXGR、亮度INT、红光标准化值r七个可见光颜色指数,将以上图像特征与谷子的叶面积指数及生物量进行相关性分析,选取其中相关性较高的特征,建立谷子叶面积指数和生物量的SVM、PLSR、BPNN以及RF四种预测模型。结果表明,除INT和EXR相关性较低外,其余的图像特征均与谷子叶面积指数及生物量呈显著相关,其中CC、b、EXG、EXGR呈正相关,r、g呈负相关;叶面积指数估测模型中构建的BPNN模型预测效果最好,其中该模型的R~2为0.8529且RMSE为0.3121;生物量估测模型与叶面积指数估测模型类似,均是BPNN模型预测效果最好,模型的R~2为0.7924且RMSE为0.0891;随着特征数的减少,模型的准确率也在逐步降低。（4）室内谷子表型测量。室内谷子表型测量的参数主要有叶长、叶宽及株高。分别研究了各个表型参数测量的算法,叶长主要是通过叶片的骨架代表叶片的长度;叶宽是通过做叶长方向的垂线找到叶宽的角度值,并寻找叶片的重心所在位置,用已知角度和重心画一条直线,直线与叶片边缘相交形成两个关键点,两个关键点间的距离即可表示叶片最大宽度;谷子株高需要寻找到植株的最小外接矩形,并计算最小外接矩形的长,该长度则可代表当前植株的株高。实验表明,利用以上算法测量的谷子叶长、叶宽、株高均较准确,与人工测量值的相对误差分别为3.81%、6.05%和3.72%。