小麦是现今世界范围内的主要粮食作物之一。为了提高小麦产量，育种专家致力于发掘其基因型和表型之间的联系。现有的表型提取方法多依赖于手工方式，采集的数据量有限且效率低下。三维CT（Computed Tomography）成像具有成像精细、动态范围高和无损探测内部结构等优点，可以快速且无损地提取小麦的高通量表型。CT扫描出的三维图像具有数据量大且内容高度稀疏化的特点，给图像处理工作带来了不小的挑战。本文围绕高数据量及高稀疏性三维图像的分割方法及表型提取开展研究，主要工作如下：
　　1）基于三维流形和SLIC（Simple Linear Iterative Clustering）算法提出一种自适应三维超体素算法用于高稀疏性CT图像的预分割。针对CT图像的高稀疏特性提出了一种自适应超体素算法。通过构建CT图像对应的三维流形，并根据流形面积估算出各个区域的内容密度指导超体素分割，达到分割自适应内容密度的特性。相比于SLIC超体素方法，本文提出的方法既可以保留SLIC方法运算高效、分割精准的优点，又具有分割结果自适应CT图像内容密度的特性。实验结果显示提出的方法与SLIC方法相比，在分割出体素块更少的情况下仍具有更精细的分割性能。
　　2）针对高稀疏性三维CT图像在背景区域耗费大量冗余计算的问题，引入八叉树卷积网络优化稀疏结构存储，进一步提升细分割的效率。八叉树数据结构的稀疏表达天然有利于存储高稀疏性三维CT图像，将原CT图像转为八叉树数据结构可大大减少存储空间。同时八叉树网络将卷积和池化操作限制在八叉树节点上，保证了分割效率。实现结果表明，结合超体素预分割可提升约3%的分割精度，提升后分割精度超过95%。因此将自适应超体素预分割与八叉树卷积网络结合用于分割，可以有效降低CT图像高稀疏性带来的影响。
　　3）针对缺乏公开小麦CT数据集的问题，标注了小麦CT数据集，并定义一组新的高通量表型提取方式。标注了一组适用于麦粒分割的小麦三维CT数据集，用于指导分割和评价性能表现。基于分割结果定义了一组新的高通量表型提取方法，包括粒形、孔隙率、粒间距离和粒倾角等，这些表型不具备手动提取的操作性。实验结果表明，对于常规表型的提取，提出的方法相比手动方法准确率更高。最后本文提取了超过3000粒麦粒的表型并汇总数据分析了表型之间的相关性。