作物的产量和品质与作物表型信息存在密切联系,表型信息的准确提取对于数字育种、智慧栽培、精细化温室管理具有重要意义。作物表型是指基因和环境决定或影响的复杂作物性状。由于传统的人工测量表型的方法具有效率低、误差大,大型表型设备成本高等问题,本文提出一种基于图像的高效率、低成本和自动化的作物表型特征提取方法。主要研究内容和结论如下:（1）本课题以种植在温室大棚内不同品种的生菜、草莓群体为研究对象,利用便携式图像获取装置和自动化作物表型平台,获取成熟期生菜以及现蕾期、开花结果期草莓图像,然后进行图像预处理和图像增强,构建了生菜、草莓的图像数据集,为后续实验数据提供基础。（2）基于机器学习的图像分割算法识别60个生菜品种轮廓并剔除轮廓内的噪点部分得到生菜区域,进而提取出包括形状、颜色、纹理在内的39种表型特征。对这些特征进行均值、最大值、最小值、标准差、标准分数最大值、标准分数最小值的计算以此来观察指标参数的分布。将人工测量的生菜叶片鲜重和提取的叶面积指标建立回归分析模型,预测结果的回归系数R~2为0.91,验证了数据的测量精度。并对39种表型指标进行凝聚层次聚类,将60个生菜品种划分成3种类别,按聚类结果绘制主成分分析图、聚类剖面图进一步分析3种类别的差异性,结合实际生菜图像解释分类的合理性,实现基于表型特征的品种分类。以此算法为基础开发生菜叶片分割软件,并对视频流进行生菜分割和信息叠加。（3）基于深度神经卷积网络YOLOX模型对35个品种现蕾期草莓数据集进行叶片检测识别,并将YOLOX模型与典型的目标检测模型对比分析,结果显示YOLOX模型的检测具有更高的像素准确率。使用该模型在开花结果期草莓数据集检测识别花朵、果实,模型在叶片、花朵和果实的检测精确率达到了96.71%、92.32%、83.11%,表明该模型检测精度满足需求。输出训练好的模型参数,对7天内的草莓生长情况进行叶片、花朵、果实计数,基于这三个表型指标将35个草莓品种聚类成3种类别,绘制主成分分析图、热图表明分类的合理性,并对视频流进行草莓叶片目标检测,平均精度m AP为81.61%,满足高效率、低成本和自动化的需求,为作物表型提取提供参考意义。