叶脉模式是植物的主要特征之一,不同级别的叶脉在植物生长和发育的过程中有着不同的分工,各级叶脉的特征以及各级叶脉之间的层级关系可以表征叶片和植株的不同的生理和基因信息。叶脉分割是叶脉模式分析的前提,对于植物生长和基因研究、植物品种鉴别、生态环境分析有着非常重要意义。现有的叶脉分割方法都是基于传统的图像分割技术,一般聚焦于叶脉的粗粒度分割,即把叶片分割看作为一个二分类的图像分割任务,而忽略了对叶脉的层级细分,从而对后续的叶脉模式的复杂网络结构模式分析造成困难。叶脉细粒度分割是设计算法从叶片图像中精细地分割出主脉、次脉和三级叶脉,以服务于后续的叶脉的层次化结构模式分析任务。叶脉细粒度分割是图像分割领域的一个新的研究问题,对该问题的研究,目前还未见报道。深度学习技术可以自主地从数据中学习到复杂的特征信息,在图像分割领域中逐渐超越了传统分割方法的地位。但还鲜见将深度学习应用于叶脉分割任务的研究工作。针对叶脉分割问题,本文首次用深度学习技术解决该问题,提出了一种基于多尺度扩张卷积和特征融合连接的叶脉分割方法。多尺度扩张卷积模块位于编码器和解码器模块之间,缓解了池化造成的特征信息丢失的问题,促使网络学习不同尺度的上下文信息。特征融合连接块使得编码阶段的低级特征和解码阶段的高级特征能够更好地融合,提高模型分割叶脉的精确度。为检验所提的叶脉分割方法的有效性,我们创建了一个带叶脉标签的SLID大豆叶片图像数据库,作为本实验的标准实验数据集。该数据库中共500张叶片图像,随机选取300张图像作为训练集,剩余200张用作测试。在实验评估中,我们将提出的叶脉分割方法与目前最先进的基于深度学习的图像分割方法进行了比较,实验结果表明该方法对于叶脉分割具有更好的分割性能。为测试所提出的方法的泛化能力,我们选取80张中部大豆叶片图像、80张下部大豆叶片图像以及20张棉花叶片图像,构成了三个泛化性能测试集。泛化能力测试结果表明该方法在不同部位、不同品种乃至不同物种的叶片图像上都具有良好的泛化能力。本文还首次尝试解决叶脉细粒度分割问题,提出了一种基于扩张残差密集卷积块（DRDC）的叶脉细粒度分割方法。网络使用扩张残差密集卷积块扩大模型的感受野,增加特征之间的相互通信,以学习到更多的上下文信息。同时,在编码器和解码器模块之间添加一个注意力模块来引导特征学习,以获得更加精细的特征。选取SLID数据集中的300张图片用作模型训练,200张用作模型测试,用来检验所提的叶脉细粒度分割方法的有效性。并将提出的方法与目前最先进的基于深度学习的多类别图像分割方法进行了比较,实验结果表明该方法优于已有的分割方法,对于多级叶脉分割具有良好的准确性。为测试所提出的方法的泛化能力,选取80张中部大豆叶片图像、80张下部大豆叶片图像以及20张棉花叶片图像,构成了三个泛化性能测试集。泛化能力测试结果表明该方法在相同物种的不同部位的叶片图像上具有良好的泛化能力,而在不同物种的叶片图像上泛化能力不太理想。这是由于不同物种的植物叶片图像的层级结构具有较大的差异,如何进一步提升模型的泛化能力,以适应具有较大差异的层级结构叶脉的模式的分割问题,将是我们进一步研究的方向。