在农作物的生长发育阶段,对作物表型参数进行动态监测能够及时准确地了解作物长势信息以及营养状况等,便于后期对水、肥等进行管理,可兼顾满足可持续发展战略和确保农作物健康生长两个目标。叶片含水量能够充分反映土壤水分、环境墒情以及作物水分状态等,并且能够进一步通过指导灌溉来影响作物产量及品质,因此叶片含水量可以作为作物表型监测的一个重要指标。在作物生长过程中,及时了解植株特别是叶片的氮素状态,有助于肥料施加和灌溉管理,进一步达到提高农产品产量和质量的目的。因此本文以小麦冠层图像为研究对象,运用人工神经网络技术和图像处理技术,对叶片含水量模型及氮素监测进行深入研究。主要工作及创新如下:1)研究自适应权重粒子群算法改进传统K-means的图像分割算法。利用自适应权重PSO算法较强的全局搜索能力定位图像的初始聚类中心,再根据K-means算法较强的局部搜索能力对图像进行聚类划分。通过不同像素、不同天气下的图像验证算法分割效果,经对比发现,算法稳定性和环境适应性,均优于传统K-means聚类算法和Otsu算法。基于分割后的图像计算作物覆盖度,分析算法精度。本文提出的算法总体相对误差和均方根误差均低于0.2,明显优于传统的K-means算法。2)研究并设计基于BP神经网络的小麦叶片含水量无损预测模型。在大田自然环境下利用多种传感器采集小麦叶片图像,对不同的图像分别进行颜色、纹理及温度特征提取,共提取13个特征参数,其中包括6个颜色指标、6个纹理指标和冠层温度。将以上参数与实测含水量进行相关性分析,筛选出相关性较高的7个特征参数融合作为BP模型的输入信息,通过对BP神经网络进行训练来构建叶片含水量预测模型。经性能验证,叶片含水量预测模型精度达到98%,模型输出预测值与真实值相关性高达0.994。该叶片含水量预测模型融合多源图像信息,能够对小麦叶片含水量进行准确、快速、无损预测。3)利用多光谱成像技术展开小麦氮素营养诊断研究。小麦氮素营养差异会表现为作物叶绿素含量及生物量的差异,研究发现小麦氮素用量与叶绿素含量及生物量存在极显著正相关关系,相关系数分别为0.820、0.751。根据小麦冠层对不同光谱波段的反射率获取常用的植被指数,分别与常见氮素营养指标进行相关性分析,建立小麦氮素一元线性回归模型。实际生产中可通过获取植被指数表征叶绿素含量和生物量实现小麦氮素营养状况诊断。