水稻是我国广大人民最主要的粮食来源之一。近年来,由于环境污染加剧,我国人均耕地面积持续减少,导致水稻产量增加放缓,如何培育优质品种水稻,挖掘水稻抗病虫害的最大潜力,提高单位面积水稻产量,成为当下水稻研究的热门领域。由于水稻表型受环境因素、遗传基因的影响,因此表型是优质水稻的重要评估指标,其中水稻穗数、谷粒饱满程度是关乎水稻产量和质量的最直接依据之一。在水稻育种研究中,稻穗生长发育的各个时期都需要测量包括穗数在内的多个表型参数,为后续培育优质品种提供参考。传统的稻穗统计方法以人工测量为主,不仅需要大量劳动力,统计结果也带有人为主观性,存在效率低下、破坏作作物生长环境等缺点。随着计算机视觉技术的进步,基于图像处理的穗数统计方法得到研究者的广泛关注。然而该领域的研究主要集中在单株的水稻稻穗计数或麦穗计数,由于育种研究水平不断提高,需要一种适用于大面积、检测精度高的穗数统计方法,以突破传统测量方法所固有的瓶颈。针对以上问题,本文采用计算机视觉技术,提出一种基于深度学习的稻穗检测模型,实现水稻稻穗计数,为后续水稻健康监测及水稻育种研究提供技术支撑。主要内容包括:（1）基于稻穗区域的计数方法。本文在总结国内外研究现状的基础上,借鉴稻穗区域的提取方法,采用带有ResNet101特征提取网络的目标检测模型Faster R-CNN作为统计穗数的支撑,实现稻穗区域的识别与定位,通过统计区域数达到计数的目的;（2）探索模型的改进之处,提出基于聚类的候选区域提取网络RPN。在总结候选框提取算法的基础上,提出对标注框尺度进行K-means聚类的方法,为RPN网络的生成过程带入先验知识,进一步提高稻穗区域的识别准确度,建立鲁棒性更强的检测模型。在广东省广州市天河区华南农业大学材料与能源学院水稻实验大棚进行实验,在水稻从抽穗至成熟期间进行为期2个月的拍摄。本文采用2000张稻穗图像作为Faster R-CNN稻穗检测模型的训练集,并对数据集进行人工标注,构建训练集1600张、测试集400张。通过测试,得到改进模型的稻穗检测精度为85.8%;较原始模型有1.7%的精度提升,其中改进模型对于抽穗期和扬花期的稻穗识别率提升较大,表明了本文提出改进方法的有效性和合理性;另外,通过将该模型与其他一阶目标检测模型的作对比,验证了本文采用Faster R-CNN模型的识别优势。故本文所设计的模型能够满足水稻种植场景的需求,为后续水稻健康监测及优化育种提供了数据基础,有一定的应用价值。