番茄作为中国重要的蔬菜品种之一,其出口量和出口额均居全球首位,在中国具有重要的经济地位。番茄表型参数对其产量有重要影响。目前,针对番茄表型参数的测量依然处于人工测量阶段,这种方式存在人员主观判断、劳动强度高和效率低等缺点,也难以满足高通量测量需求。因此利用智能化技术实现对番茄表型参数的快速测量,对番茄培育种植具有重要意义。本课题针对番茄表型参数测量需求,基于机器视觉技术对番茄表型（种子千粒重、茎粗、叶夹角、叶面积及株高）进行相关研究。课题主要研究成果如下:（1）对番茄种子千粒重计数方法进行研究,为解决人工计数效率低的问题,采用灰度化和二值化方法来减少图像数据量,运用腐蚀运算对黏连种子进行分割,最后利用边缘检测实现种子计数的目的。开发番茄种子计数人机交互界面（GUI）,可更加方便快捷进行种子计数,试验结果表明,该方法相对误差为3.66%,具有较好的计数效果。同时分别对四种番茄品种种子进行了千粒重研究,为番茄种子数据库提供参考数据。（2）对番茄株型参数（茎粗、叶夹角和叶面积）测量进行研究,株型参数对番茄培育有重要影响,为实现株型参数自动测量,研究利用图像骨骼化、图像滤波及图像分割等技术进行株型测量。试验结果表明:茎粗测量相对误差为2.3%,叶夹角相对误差为2.55%,叶面积相对误差为1.52%。文中提出的方法与人工测量相比具有较高的准确率,可以使用到其他作物表型测量中。（3）利用深度学习技术对番茄株高测量进行研究,株高是判断植株生长状况的重要性状。为解决株高无损测量的问题,通过采集不同时期的番茄植株图像制作数据集,并利用迁移学习技术实现对深度学习模型的训练。利用基于VGG16-SDD的深度学习模型实现番茄的株高测量研究,试验结果表明,株高测量相对误差为4.29%,与基于阈值分割法的传统测量方法进行对比,在背景复杂情况下测量结果优于阈值分割法。综上所述,本研究一方面利用图像处理和深度学习技术实现对番茄表型参数的测量,另一方面为番茄表型组学和遗传育种的研究提供了可借鉴的思路或方法。