棉花是我国主要的纺织原材料和重要的经济作物。及时准确地估算棉花产量对指导棉花生产和保障棉花贸易具有重要的意义。目前的产量估算技术主要基于人工抽样和统计方法,但这些方法的流程复杂、劳动量大且周期较长。近年来,随着图像处理技术的发展和无人机图像采集平台的广泛使用,为更快、更准确的作物产量估算奠定了基础。但是密植棉田由于种植密度大,植株间距小等因素,导致下层棉花被严重遮挡,给基于无人机成像的估产方法造成了一定的困难。针对这一问题,本研究以脱叶期新疆密植棉田为研究对象,结合深度学习技术,以棉田产量估测为研究目标,重点对无人机低空图像采集、棉铃分层判别和棉花估产三个方面进行了研究。主要工作如下:（1）为了提高图像的分辨率和采集效率,本研究提出了基于无人机低空成像的五点采样方法;该方法依据随机抽样原理,使用5张具有代表性的棉块区域低空图像信息代表整个棉田信息。与棉田全域图像采集的方法比较,该方法的采集效率和分辨率更高,更适合新疆密植大田的图像采集工作。（2）为实现密植棉田图像棉铃区域的精确判别,本研究采用分层判别的思想,首先将棉田图像进行整体棉铃区域分割,然后进行上层棉铃区域分割。针对整体棉铃区域分割,本研究基于Segnet网络框架进行编译块和解码块的重新设计组合,获得含有四种神经网络模型（model 1、model 2、model 3和model 4）的棉铃分割扩展框架（CD-Seg Net）并在相同数据集中进行了训练。通过使用平均交并比（MIOU）、F1-score、类别像素精度（CPA）和召回率（Recall）对训练完成的四种神经网络模型进行评估。结果显示,在四个模型中,model 4的平均交并比和精度分别为77.13%和90.82%,各项测试评估指标最好。最后同传统的机器学习分割算法（支持向量机SVM和随机森林RF）进行比较,CD-Seg Net分割算法的各项评估指标均优于传统算法。（3）针对上层棉铃分割,本研究提出CMYK-UNet的分割方法,首先通过提取棉田图像的CMYK-K色彩空间分量来增强上层棉铃图像特征,并将CMYK-K分量图作为输入图像。然后进行Unet分割模型的训练和测试。结果显示,CMYK-UNet的分割方法各项评估指标均优于传统方法（OTSU）,上层棉铃分割精度为93.55%。（4）棉花产量来自于棉铃,因此棉铃的表型性状与产量估测结果密切相关。本研究采用分层估测思想,将棉铃分为上下两层。针对分层和不分层棉铃像元率分别构建产量估算线性回归模型。基于构建好的估产模型对4块测试棉田进行产量估测,将估测的产量值与采棉机收获产量进行比较。结果显示,分层估产模型和不分层估产模型的产量估测平均相对误差为5.28%和6.22%,决定系数（R~2）分别为0.99和0.95,均方根误差（RMSE）分别为353.6 kg/ha和451.6 kg/ha。两个估产模型结果比较显示,分层估产具有更好的鲁棒性和准确性。