植物作为人类生产活动中不可或缺的一部分,在农业、工业、医疗领域以及生态环境保护中的作用极为重要。近年来,随着计算机视觉、图像处理等现代信息技术的发展,植物表型组学研究成为一个热点研究课题。为了能够准确得到植物叶片的各种表型参数信息（例如叶片个数、面积和方位角等）,需要在图像中对植物每一个叶片进行准确地分割,这也是植物表型组学的热点问题之一。在真实种植环境下,植物叶片在二维图像中的分布往往较为密集且存在着大量重叠,加上复杂背景、光照等外界条件的影响,使得从图像上进行植物叶片的分割和表型参数提取成为一个挑战。本文围绕植物叶片图像分割展开研究,主要研究工作如下:1、提出了一种改进双图层卷积网络（Bilayer Convolutional Net,BCNet）的植物叶片分割算法。围绕植物叶片分割的需要,本文针对该算法的改进点包括:1)在网络输入端加入空间转深度模块,将输入图像转化为不同深度模块,再通过空洞卷积进行并行采样,保留植物叶片的细节特征;2)引入注意力机制,以便网络能更加关注叶片的边缘特征信息;3)使用Varifocal Loss替换了目标检测中的类别损失函数,利于密集区域中叶片的检测。在玻璃温室和塑料大棚种植环境下的黄瓜群体叶片图像上的实验结果表明,本文改进的BCNet能够准确地分割出不同生长阶段和光照条件下的黄瓜植株叶片,目标识别的精准率（Precision）、召回率（Recall）和平均精度（AP）分别为96%、93%和95.57%,实例分割的精准率（Precision）、召回率（Recall）和平均精度（AP）分别为87%、83%、84.31%,均优于Faster R-CNN、Mask R-CNN、YOLOv4、PANet等常用目标识别和实例分割算法。2、考虑到基于深度学习的图像分割算法存在数据标注工作量大、模型训练对电脑硬件要求高等问题,本文研究并设计了一种针对椭圆形植物叶片的轻量级图像分割算法,其处理流程包括:1)利用G-R分割算法与顶帽变换法提取图像中的目标叶片区域;2)利用快速径向对称变换法提取叶片中心点并统计叶片个数;3)通过基于凹点检测的植物叶片边缘提取算法对叶片进行实例分割;4)通过基于最小二乘的椭圆拟合算法对重叠叶片的轮廓进行拟合。在小叶紫檀、铁参榕、黄瓜幼苗和拟南芥等四种不同植物上的实验表明,该方法适用于椭圆形植物叶片的分割,其分割效果与基于深度学习的分割算法相当,但省却了大量数据采集和标注的人工成本,并且降低了训练过程对电脑硬件的要求。