大豆表型基因型的外在表现,是选择高产、优质、多抗性大豆新品种的重要指标。作物育种过程中需要对大量候选材料进行表型提取和分析,这是育种过程的重要环节。近年来,随着高通量测序技术的发展,基因组学研究取得了长足的进步,积累了海量数据。而作物表型组学仍处于依托传统测量方法的阶段,其过程费力耗时且精度不高。由于缺乏高通量的表型鉴定技术,导致表型组数据和基因组数据之间的严重不匹配。更重要的是观察者的主观性使表型测量失去了客观性。由此可见,表型获取成为了当前快速育种和智慧育种过程中亟待突破的瓶颈。深度学习与三维重构技术的发展为表型自动化提取带来了契机,设计并开发大豆表型精准化、通量化及自动化提取的模型体系是突破这一瓶颈的关键。本文基于深度学习与三维重构技术,针对大豆各时期各类器官的形态特征,开发了大豆生长期与成熟期表型自动化获取的新模型,并对大豆通量化表型技术的应用进行了初步探索。论文主要成果如下:（1）针对成熟期大豆表型获取,本文提出了一种从二维机器视觉测量大豆表型的深度学习方法（SPM-IS）。同时提出了一种用于不规则大豆器官的外接矩形框精准定位的算法,并将其融入到了表型测量模型中。试验结果表明经过60000次迭代后,Mask和Box的最大平均精度（m AP）能够达到95.7%。人工测量和SPM-IS测量的荚长、荚宽、茎长、完整主茎长、粒长和粒宽的相关系数R~2分别为0.9755、0.9872、0.9692、0.9803、0.9656和0.9716。豆荚、茎和籽粒的人工计数与SPM-IS计数的相关系数R~2分别为0.9733、0.9872和0.9851。结果表明,SPM-IS是一种鲁棒的测量和计数算法,可以降低劳动强度,提高效率,加快大豆育种过程。（2）对于生长期大豆植株,本研究基于多目视觉技术重构了大豆全生育期的三维模型,同时设计了Soy3D-Net深度网络,实现对三维大豆虚拟植株的分割和表型提取。针对大豆在自然生长状态下叶片、茎秆等弯曲问题,引入了Flattening算法,有效的解决了测量不准确的问题。计算出手工与Soy3D-Net测量大豆植株的株高、主茎、主茎节、叶宽、叶长、叶面积的相关系数R~2分别为0.9562、0.9417、0.9509、0.9229、0.9308、0.9312。结果表明,三维重构和Soy3D-Net的结合是一种有效且精准的大豆生长期表型自动化无损测量方法。（3）对由绥农14和野生豆ZYD00006构建的导入系成熟植株茎秆图像进行识别和表型提取,获得了主茎节、主茎长度及节位数等表型。基于这些表型数据,采用聚类分析算法,筛选出12株具备特异性表型的植株。同时提出了茎秆和叶片曲度的新表型,用于评估植株主茎和叶片的弯曲程度,并通过对参试品种的分析发现,茎秆的曲度是能够体现茎秆强度的,这一新表型与作物的产量和倒伏性相关。本文基于深度学习和三维重构技术给出了大豆成熟期和生长期表型自动化提取的一套解决方案,初步实现了大豆期成熟期和生长期表型通量化和精准化地提取,为大豆表型组学研究提供了新思路,为大豆快速育种和智能育种提供了重要技术支持。