我国是小麦生产和消费大国,小麦高产、稳产是保障我国粮食安全的一项重要工作。在小麦育种、栽培和收购等环节,及时、快速、准确、低成本的获取小麦穗数和测算产量有着重要的意义。传统田间麦穗计数消耗大量人力、时间,严峻的野外环境和长时间的计数也会导致无法重现和校正的误差,传统方法已不能满足小麦穗数统计和产量预估的需求。近些年,图像获取设备成本的降低,极大的提高了图像获取设备的普及,伴随图像识别技术的快速发展,越来越多基于图像识别技术的麦穗分割（或识别）和计数方法出现,被应用到育种、栽培和收购等环节,极大提高了这些领域的作业效率和经济效益。但如何更进一步丰富和完善麦穗识别方法,并在不同场景下验证各种方法的适应性,仍需进一步研究。本文以无人机获取的麦穗图像为研究对象,构建了三个系列共九种场景麦穗图像数据集,使用和改进三种麦穗识别和计数方法（Potts、TWS和YOLOX）,分别阐述各方法的基本原理、分割流程及效果;在此基础上,分别验证了三种方法的准确性。最后,以小麦不同时期、播种密度和图像获取高度为细分场景,研究了不同方法在各场景下的适应性,进行了综合性评价,为小麦穗计数研究和应用提供参考。主要研究结果如下:（1）通过试验验证了利用无人机搭载长焦镜头,设置合理的无人机飞行参数,可在无人机下压风不影响麦穗的情况下获取高清小麦冠层图像方案的可行性。无人机具有机动性高、灵活度强、自主控制性高的特点,是低成本、高效率获取大面积麦田冠层图像的有效途径。通过本文中的方法,可以快速获取清晰度高的麦穗图像,对提高作业效率和麦穗识别精度有较大帮助。（2）利用传统图像识别方法,提出将多相图像处理思想应用在麦穗识别任务上降低麦穗粘连现象,并利用Potts算法实现麦穗图像的分层,引入ADMM对Potts模型进行求解,结合Watershed对粘连区域进行分割,为麦穗识别提供了一种新思路。利用该方法成功将麦穗图像进行分割,生成多相图像,即多图层。对比该方法在9个数据集上的表现,Potts能够较好处理麦穗与背景差异大、目标粘连少的场景,对于较低GSD的图像,Potts无法达到较好效果。（3）引入可训练的机器学习方法:TWS和随机森林算法进行麦穗识别与计数,并在不同场景数据集上进行了验证。通过选择合适的训练特征,对麦穗图像进行简单明了的训练,再使用随机森林算法对训练后的图像特征进行分割。使用该方法在3个系列9个数据集上验证后,得出TWS算法具有一定的特征学习和分割能力,麦穗识别效果有较大提升。其中在乳熟期、中低密度和低飞行高度场景数据集上,表现出较强的麦穗识别能力。（4）使用深度学习方法,针对性改进了 YOLOX模型,包括优化mosaic、采用BiFPN结构和加入attention机制,消融试验表明改进对网络性能有所提升。在3个不同时期、3个种植密度和3个无人机飞行高度场景下验证了改进的模型,分别获得88.03%、87.59%和87.93%的精度,比原始模型分别提高2.54%、1.89%和2.15%。结果表明,改进的YOLOX模型可以实现不同大田实际场景下的无人机正射影像麦穗识别,在小麦乳熟期、低种植密度和低飞行高度下获取的无人机正射影像识别效果最佳。而在低GSD下深度网络识别效果一般。（5）适应性评价结果显示对于TWS算法在麦穗识别任务中的表现仅次于YOLOX,其中P3和H2场景下综合评价指数超过YOLOX,是一个较为全面的方案。Potts算法在D2和D3场景下表现优秀,多相图像思想的引入对高密度目标的图像检测有利,但该算法在H2和H3场景下,随着GSD的降低,综合评价指数下降较快。运算性能方面,YOLOX对算力要求高,但实时处理能力强,TWS算力要求中等,训练和识别时间均较短,适合中等算力和对识别时间要求短的任务,而Potts较ITS对算力要求低的同时,能提高识别的精准度。综合本研究内容,建议在开花后当麦穗完全出现并且仍然直立时获取图像,合理选用硬件设备设置最佳的无人机飞行方案,来提高无人机正射影像的质量,以获得最佳的训练和识别效果。