作物发育期信息不仅是研究作物生长过程与农业气象条件之间关系的重要基础数据，而且服务于精准农业的各个方面。长期以来，它主要通过人工观测方式采集获取。这种方式耗时、费力、主观性强，而且观测不连续。因此，亟需一种有效、连续、自动、非破坏性的记录方式来对作物进行观测。在田间架设成像设备结合计算机视觉技术是可选方法之一，由于其具有成本低、直观、非接触式等优点，已被广泛应用于作物生长状态的自动监测。然而，目前鲜有利用其来对大田作物发育期进行自动观测的研究。为满足改变当前观测方式的客观需要，本文以玉米为研究对象，以其生长发育客观规律为理论依据，探索了如何将计算机视觉技术应用于玉米发育期的自动观测，并根据其出苗期、三叶期、拔节期和抽雄期四个关键发育期的不同特点提出了相应的自动检测算法，开展了以下的研究。　　在检测发育期的过程中，作物的自动有效提取至关重要。现有的提取方法都易受光照变化或背景干扰等因素的影响，不能很好地适应户外环境。为此，本文提出了一种光照自适应的作物分割算法，采用高斯模型描述绿色作物在不同光强下的色度变化规律，与其他方法相比，提取结果更稳定可靠，为后续发育期研究奠定了基础。　　就出苗期的检测而言，其难点在于出苗前，观测场中苗的位置不可知，无法按照观测规范统计整体发育情况。为此，本文提出了一种基于空间均匀度的出苗期自动检测算法。该算法以苗的空间分布特征作为定量指标对出苗期进行自动检测。实验结果证实了该方法的可行性，较人工方式更加准确。　　在检测三叶期时，人工观测以多角度目测、数叶片等方式为主，但这些方式难以通过图像手段实现。而且，图像中苗扎堆、叶片相互遮挡等现象都加大了叶片检测的难度。为此，提出了一种基于概率模型的三叶期自动检测算法，采用骨架末端点来表征苗的叶片，并建立连通域株数、端点数和到达三叶期概率的数学模型，最终将三叶期判断问题转换成概率求解问题。实验证明，该方法在不被麦茬大量遮挡的情况下检测结果与人工观测非常一致。　　针对拔节期，人是通过手触、基部测量等操作来完成判定，这种方式显然不能运用到基于图像的自动观测中来。我们从视觉角度出发，提出了一种基于覆盖度和冠层高度的拔节期自动检测算法。该算法以拔节期的自然生长规律为依据，结合先验知识通过寻找极大值的方式完成自动检测。对比观测实验证实了该方法的准确性。　　抽雄期检测的难点在于，一方面实际农田中存在大量与穗形状相似的区域，容易产生误检。另一方面，由于品种、光照等因素的影响难以对穗的颜色信息进行统一建模。为此，我们从穗自身具备的生长突变特性出发，提出了一种基于时空显著性的雄穗自动检测方法。实验结果显示该方法可以准确地检测出雄穗，并能准确播报抽雄期发生时间。　　以上所有算法的有效性都在2010-2012年河南郑州和山东泰安试验田的人工和自动观测对比实验中得到了验证，算法在其适用条件下与人工观测的平均误差在一天左右，满足当前农业气象观测的实际需要。