大豆田间精准管理对其产量提升具有重要作用,苗期是制定大豆农田管理决策的重要时期,出苗是否整齐直接影响大豆高产高效群体结构的构建。大豆幼苗识别与分类是出苗整齐度研究的基础,但不同时期大豆形态差异明显,识别难度较大。无人机成像感知技术的出现为大豆田间精准管理提供了新的技术手段,将其与深度学习方法、图像处理技术相结合,对于实现大豆幼苗高效准确识别与分类,从而判断出苗整齐度、辅助田间管理具有重要意义。主要研究内容及结果如下:通过比较多种图像增强和图像分割方法对大豆幼苗进行提取的效果,确定了以Otsu阈值算法结合过绿指数提取大豆幼苗,利用连通区域分析方法检测大豆出苗数量,以此构建了基于无人机图像的大豆幼苗识别理论体系,为后续计算大豆田间出苗率、辨别大豆时期及评估播种质量提供理论支撑。随着种植密度和面积增加,作物图像识别准确率逐渐降低,为验证大豆幼苗图像识别方法的可行性与稳定性,开展了不同种植密度和面积的大豆出苗数量检测试验,并通过田间试验验证,得到实际出苗数量平均识别准确率为91.14%,检测出苗率为90.1%,可为大豆幼苗图像分类研究提供基础。通过图像切割、图像增强等方法构建出苗期、子叶期及一节期大豆幼苗图像数据集;以Alex Net结构的卷积神经网络模型为基础,设置卷积层、池化层等各层参数;为减少模型参数量、降低模型复杂度,修改了前两个全连接层神经元个数,实现了大豆幼苗图像分类。通过单因素试验确定影响模型性能的超参数取值范围,设计正交试验,确定了超参数最优组合,即学习率为0.0001、丢弃率为0.6、批量尺寸为32。通过最优组合开展不同类型大豆幼苗图像数据集模型优化试验,根据试验结果,实现了基于无人机可见光图像的大豆幼苗分类,模型平均分类准确率为99.35%,田间试验验证模型准确率为91.73%。通过图像识别及分类结果,判断整体出苗整齐度较好,所建立模型能够满足生产实际需求。以Otsu阈值算法、过绿指数和连通区域分析的大豆幼苗图像识别方法为基础,建立了基于优化深度卷积神经网络的大豆幼苗图像分类模型,为大豆苗期精细化管理提供理论基础和技术支撑。