为了实现水稻联合收割机作业时喂入量的实时控制，降低作业时谷物的破碎率和损失率，首先要解决喂入密度的实时获取问题。本文通过对水稻密度图像进行分析处理，提取图像中谷、叶的总像素值来表示该区域的喂入密度特征，并与实际测得的喂入密度值进行拟合，建立喂入密度实时检测模型。研究学习了国内外在图像分割方面的应用概况，分析比较传统的图像分割算法在分割质量和分割速度上存在的不足，其中迭代阈值法获取的阈值较大，目标轮廓不清晰，谷、叶从背景中分割效果不明显。而最大类间方差法的阈值更为合理，较好的保留目标形状，目标的轮廓清晰，减少了背景的影响，但分割速度不能满足实时性的需求。在保证分割质量的前提下，为了进一步缩短阈值获取的时间，引入了遗传算法，对于遗传算法的理论基础和实现步骤进行了研究，提出了基于遗传算法的水稻联合收割机喂入密度检测方法。遗传算法以其固有的自适应性、鲁棒性、和并行性，使之非常适用于在大规模搜索空间的快速寻优问题，为研究水稻密度图像分割提供了一种新的有效的方法，可以提高水稻喂入密度检测的实时性和可靠性。对于试验采集的不同品种、不同成熟期、不同密度区域的水稻图像利用遗传算法快速准确地找到全局最佳阈值，分割图像并得到相应的二值化图像，通过计算统计图像中的谷、叶的总像素值来表示该区域的密度特征，提取相应的喂入密度特征值，利用DPS数据处理软件，将通过遗传算法提取的喂入密度特征值与实际测得的水稻联合收割机喂入密度值进行相关性分析，建立喂入密度拟合模型。实验表明，遗传算法获取的最佳分割阈值与最大类间方差法完全相同，但最大类间方差法获取阈值，方差计算次数为256T。而基于最大类间方差的遗传算法，其方差计算次数在140T以内，比最大类间方差法快近一倍，能够更快速的提取图像喂入密度特征值，充分证明了遗传算法分割图像的优越性。喂入密度特征值与实际喂入密度的相关性分析，决定系数达到0.90以上，相关性很高，两者呈正相关性，即特征值越大，其喂入密度值越大，实现了通过喂入密度特征值大小反映水稻联合收割机喂入密度的疏密程度，检测实时喂入密度，为喂入量的检测和控制提供了科学基础。