大田小麦麦穗计数是小麦估产的重要环节,准确快速的麦穗检测识别可以大大提高小麦计数和产量估算的效率。传统的小麦麦穗计数方法多为田间人工计数,耗时耗力,精准性差,效率低。随着计算机技术及图像技术的迅猛发展,使基于深度学习的小麦麦穗智能计数成为了可能。在此背景下,本文针对大田小麦图像计数和产量估计问题进行了深入的研究,提出了一套基于深度学习技术的小麦麦穗计数和估产系统,提高了小麦麦穗的计数和估产环节的准确性和效率,降低了劳动成本,为田间小麦的自动化管理提供参考。本文主要工作如下:（1）提出了一种麦穗检测网络PPYOLO-SE,该网络注重检测精度和检测速度的平衡,在原始PPYOLO网络的基础上加入通道注意力模块,提高模型对小麦麦穗特征的学习能力。为了验证PPYOLO-SE模型的有效性,在相同数据集上使用原始网络和几种常见检测网络训练模型以对比分析,PPYOLO-SE模型的检测精度达到了95.75%,优于原始PPYOLO网络、SSD、YOLOv3和Faster-RCNN网络。每幅图像的检测速度为0.6s,网络的速度和精度较高,满足使用实时性要求。（2）构建了基于深度回归的小麦麦穗计数模型,使用Tassel Net V2+网络,在小麦大田数据集上训练,实现了大田图像麦穗计数。经过试验验证该模型在大田麦穗数据集上的平均检测精度达到了95.13%,计数结果和实际麦穗数量的相对误差为7.17%左右,模型计数准确度较高。将此计数模型与使用PPYOLO-SE模型计数的结果作了对比,PPYOLO-SE模型的计数相对误差为6.31%左右,PPYOLO-SE模型的识别和计数效果接近Tassel Net V2+模型。（3）构建了大田麦穗产量估计模型。使用PPYOLO-SE网络对地块的计数结果计算地块单位面积平均密度,使用此数据与大田地块小麦实际产量做回归分析,构建了大田地块小麦产量与单位面积麦穗数量的回归模型。最后使用小麦实际产量与模型估计产量计算相对误差为2.30%,此误差相对较小。（4）开发了大田小麦麦穗计数与估产系统。为了便于大田小麦麦穗计数和估产,使用Java语言设计开发了Android系统的小麦助手移动应用,实现了上传大田麦穗图片实时得出计数结果和产量估计的功能,同时添加了小麦百科常用功能。