传统的化学测定方法虽然结果准确,但是有着测定时间长、方法较为复杂的缺点,本研究对糜子冠层进行拍照来获取作物的冠层图像,以结合数字图像处理的特点,对采集到的叶片图像进行灰度、二值化等图像预处理和提取图像中的颜色特征值,分析叶绿素含量与颜色特征值之间的关系,并建立叶绿素含量预测模型;图像处理技术有着速度快、成本小、易操作的特点,且市面上缺乏一款预测叶片叶绿素含量的可视化软件,故对此展开研究。本文重点探讨了利用图像处理技术提取图像中的颜色特征值,并与实测叶绿素值进行分析;在图像分割方面,采用基于RGB颜色空间的模式识别方法,对每个RGB像素进行分类;分类之后图像处理和分割的效率得到了很大的改善,并且准确度也有很大提升。此外,本文利用提取图像中所有颜色空间的颜色特征值及其颜色空间集合内部的加权运算所得到的运算值进行分析和比较,找到与叶绿素含量相关最高的颜色特征参数并进行模型建立,模型方面选用了多元线性回归（MLR）、BP神经网络、支持向量机回归（SVR）,图像识别分类选择深度学习的VGG16模型进行训练。模型采用R~2、RMSE、RPD对结果进行评价;深度学习训练结果采用准确率和损失率来进行评价。选择出最优预测模型以及最好的颜色特征组合。最后在IDEA平台使用Java语言进行软件开发,将最优模型写入软件。主要的结论如下:（1）糜子冠层的叶绿素含量与叶片的颜色特征值具有明显的相关性,其中经过归一化后r、g、b和R/（G+B）、G/（R+B）与叶绿素含量的相关性最高,用这五种颜色特征值建立模型后发现BP神经网络的校正集达到了最高的精度,为R~2=0.987,RMSE=0.184,RPD=3.842,验证集的效果也能达到R~2=0.911,RMSE=0.349,RPD=2.261。（2）本文对原有的数据进行了数据增强,通过镜像和翻转使图像增多,并建立数据集,本研究发现,不同的数据集划分和不同的迭代次数均会影响模型的准确率,在多次验证下,最终采用80%的数据集划分和80次迭代,确保模型的准确率以及损失率,训练集的准确率达到了0.959,损失率为0.167;验证集的准确率也能达到0.930,损失率为0.188。（3）为了可以将研究结果应用于实践中,本文编写了基于IDEA平台的Java项目,经过测试,基本实现了图像检测叶绿素含量的功能,叶绿素含量检测准确性能在80%左右,上传图片识别率基本维持在89%左右。