小麦是中国的主要粮食作物之一,保证小麦增产和供需安全至关重要。然而,随着全球环境气候变化,小麦增产的不利因素在持续增多。开发高通量表型算法,实现对小麦的结构和功能性状的高效、高精度监测,是提高育种效率,进而提高产量的关键。绿色分数（GF,green fraction）指作物冠层图影中绿色像素在总像素中的分数。大田条件下,GF的生育期动态是表征作物在某种气候条件下基因型和环境交互的重要性状。图像分割作为作物表型图像分析的关键步骤,决定了 GF的估算精度。然而,现有的作物表型图像分割中常用的方法,包括超绿分割（ExG）、随机森林（Random Forest）方法,受遮挡和阴影等影响,在作物冠层结构和光照条件复杂情况下,并不总能获得满意的分割结果。针对这一问题,本文提出了基于深度学习U-net模型的分割方法,具体研究内容如下:（1）利用小麦田间试验获取不同生育时期的RGB图像数据,通过交互式像素图像标注工具,构建充分考虑冠层结构变异性、复杂光照条件和多种土壤条件下的训练和验证数据集,共计200多张。（2）针对现有的图像分割方法无法有效分割高分辨率复杂背景环境条件下的小麦图像,本文提出了一种基于深度学习U-net的小麦图像绿色分割方法,该方法在U-net网络构架的基础上进行优化,可以从RGB影像中精确的提取小麦绿色植被信息,为小麦冠层结构性状的研究打下坚实基础。（3）针对深度学习模型精度受训练样本数影响这一问题,本文提出使用高精度的模拟数据对训练数据进行扩充,增大模型训练样本。通过模拟数据与真实数据混合训练模型发现,使用模拟数据参与训练的U-net模型能够获得高精度的分割结果,为深度学习训练样本不足这一问题提供了有效的解决方案。（4）通过独立的检验数据集对改良开发的U-net模型在像素尺度和图像尺度上的表型性状分别进行了分析。结果表明,U-net模型的精度（R2=0.94,RMSE=0.05）无论在像素和图像尺度上,其精度均显著优于其他方法,充分证明U-net模型在作物表型图像分割中的优越性。本质上讲,U-net模型的良好表现原因在于深度卷积神经网络拥有深度特征学习能力,能够很好地泛化小麦图像中的复杂信息,解决图像分类问题。小麦与其他玉米和水稻等主要粮食作物比较,小麦的叶片和茎秆更为纤细,加之分蘖较多,整体冠层结构更为复杂。可以预见,U-net模型在玉米和水稻等作物表型图像分割中的应用,预期也可以取得相对满意的结果,值得进一步探索。