小麦作为我国重要的三大粮食作物之一,小麦生产对于我国的粮食安全至关重要[1]。监测小麦苗情状况是实现小麦科学管理、控制群体发育的重要工作之一,为解决传统的小麦苗情人工田间调查方法存在效率低、费人力、获取难,且数据可靠性易受人为因素干扰等不足,本文使用不同拍照设备在小麦生长的不同时期,采用不同的拍照角度和方向的进行拍摄来获取最佳小麦基本苗图像,对原始图像依据事先设置好的地标进行目标区域图像裁剪,然后采用多种滤波算法、多种图像分割算法对图像进项处理,之后使用Harris角点检测算法对小麦苗茎部端点进行识别,最后依据麦茎数目与麦苗株数的关系计算出一米双行区域内小麦基本苗数目。该方法不仅提高了小麦生产管理效率,也为实现小麦苗情的快速、精确、智能化监测提供技术支持。主要研究结果如下;1.采用三种滤波核的高斯滤波、均值滤波和中值滤波三种滤波算法,对图像进行滤波除噪。使用PSNR方法对三种滤波核与三种滤波算法的去噪效果进行评价,在滤除椒盐噪声时滤波核大小为5*5的中值滤波效果最优,在滤除高斯噪声时滤波核大小为5*5、Sigma=1的高斯滤波效果最优。2.采用RGB颜色空间的K-means聚类分割算法、灰度图像的OTSU分割算法以及RGB颜色空间的阈值分割算法、HSV颜色空间的H通道阈值分割算法、Lab颜色空间的a通道阈值分割算法等小麦图像进行图像分割。采用GT法对不同分割算法的图像分割效果进行评价,在RGB颜色空间的K-means聚类分割算法的分割精度最高,且分割精度不低于98.0%。3.对提取到的粘连的小麦连通域进行内部空洞填充与叶端角点屏蔽处理,采用Harris角点检测算法对处理后的小麦苗茎部端点进行识别,依据麦茎与麦苗一一对应的关系计算出一米双行区域内小麦基本苗数目。图像识别结果与人工计数结果对比分析,结果得出该方法的图像识别精度不低于95%。4.对不同拍摄方法的图像识别精度对比分析,三种拍摄设备所拍摄图像的识别精度没有明显差异,且两种拍摄方向的俯拍45°的图像识别精度最优;随着小麦叶子的增多识别精度逐渐降低,在单叶与双叶期的识别精度不低于97%;在三叶至四叶期的识别精度不低于 95%。