近年来，随着计算机视觉技术的快速发展，越来越多基于图像的应用被开发出来用以解决农业生产中的问题。目前对农作物生长和产量影响最大的就是植物干旱胁迫问题，因此，对作物进行干旱检测有利于在其遭受干旱胁迫时及时合理地安排灌溉并保证最终产量。当前在大部分农业生产地区对作物干旱检测主要依赖人工观测，随着传感器技术的发展，很多田间数据都可以被实时检测出来，例如叶片温度、土壤湿度、作物叶绿素含量等，一些研究证明这些数据可以用来辅助识别作物的干旱程度。但获取这些实时数据需要在田间铺设大量传感器而且检测仪器成本较高。基于以上背景，本文以盆栽单株玉米和田间群体玉米为主要研究对象，从计算机视觉的角度出发，为玉米植株的干旱检测提供了有效的解决方案。全文工作可概括如下：
　　(1)实验室盆栽环境下的植物叶片数量自动检测。传统卷积神经网(CNN)使用直接回归玉米叶片数的算法，在实际实验中误差较大，因此本文引入了CNN和Fisher向量编码联合提取多尺度特征的方法。在设计特征提取网络时参考了GoogLeNet中多尺度卷积核结构，使其更适合于提取不同尺寸叶片的特征。然后，利用Fisher向量对部分中间层特征图编码，增强特征的表达能力。最后使用随机森林回归叶片数，并在实验中展示了不同干旱程度对玉米叶片数量的影响。
　　(2)研究了基于视觉特征的单株玉米生育中期干旱检测问题。为了更好地模拟农事专家决策方式，本文从纹理、颜色、形态三方面对单株玉米进行描述。针对光照对玉米叶片纹理和颜色的影响提出了叶片平均叶倾角和叶片离散度等形态特征。实验结果说明加入形态特征的模型相比于只使用纹理和颜色的模型有更高的识别正确率。随后，基于以上三类特征和不同生育期叶片数量的变化，尝试了使用长短期记忆网络(LSTM)对单株玉米做周期干旱预测，最终实验结果显示该方法通过一定的时间序列可以有效预测出下一时刻植株的干旱程度。
　　(3)本文考虑了田间复杂背景下的群体玉米生育中期干旱检测问题。田间环境比实验室环境复杂的多，例如自然光照、姿态受风向和风速干扰、叶片遮挡和重叠等，因此无法使用单株检测的方法。本文提出整体特征提取的思路，使用多角度下多波长的Gabor滤波器初步提取了多植株的纹理和形态特征；随后设计了训练参数较少的轻量级CNN，利用卷积计算对局部特征强大的提取能力进行特征整合和识别，最终在测试集上取得了较高的识别率。
　　综上，本文提出的玉米干旱检测方法对复杂环境具有很好的适应性，解决了单体和群体玉米植株的干旱自动检测问题。本文的研究成果对于农业生产自动化、有重要的应用前景。