随着计算机视觉的高速发展,植物三维重建技术应用于农业机器人导航、生态环境监测等多个科研领域。传统三维重建算法中,由于植物本身形态复杂,当处于自然环境条件下,例如不同光照等难以满足高质量植物三维重建的要求。随着深度学习的不断发展,将深度学习结合三维重建算法可实现高质量三维重建,但深度学习植物三维重建目前国内外鲜有相关研究。故本文基于深度学习三维重建网络对不同光照条件下多视图植物进行高质量三维重建,主要研究工作如下:第一、为去除背景对于植物三维重建的影响,首先采用传统的算法,对基于不同光照条件下的多视图植物图像提出基于灰度统计直方图参数的主成分分析（PCA）统一阈值图像分类方法。然后,对已分类植物图像分别采用不同的分割方法将植物与背景进行分割,以消除背景对三维重建的影响。即采用颜色因子结合阈值法,进行正常光照条件下植物图像分割;采用轮廓系数优化SLIC超像素块,并结合决策树算法,进行异常光照条件下的植物图像分割。实验结果表明本文方法的有效性,图像分类方法平均误差为0.004%,能够实现光照影响植物图像的准确分类;正常光照下的植物图像分割精度可达95%以上,异常光照下的植物图像分割精度为83.75%,且轮廓系数改进植物图像分割精度为84.37%。第二、在植物图像分割基础上,基于深度学习网络Patchmatch Net进行植物三维重建模型构建。针对原网络多尺度特征提取模块权值共享无法有效分离前景、背景的特征而影响最终三维重建的问题,首先将注意力机制模型SENet、CBAM分别引入多尺度特征提取网络模块,对通道特征及空间特征重新赋予权重,以提升网络对于目标重建的关注度。然后,为进一步优化深度图质量从而保证最终三维重建质量,针对原网络深度图模块,采用多尺度残差网络,并融合参考图生成残差多尺度优化的深度图,以实现高质量植物三维重建。最后,基于深度学习框架Py Torch实现整个算法模型,并进行不同注意力机制、多尺度残差网络的定性、定量分析,且与传统三维重建算法进行对比。实验结果表明,相较于传统三维重建算法Camp、Gipuma、COLMAP,本文方法误差分别降低44.3%、45.9%、30.8%;相较于深度学习网络MVSNet、Patchmatch Net,本文方法误差分别降低24.1%、4.6%;对比深度图质量及三维重建质量,本文改进网络可生成范围更广、平滑度更高的深度图,可最终将深度图进行融合构建出高质量的三维点云模型;且对于不同光照条件及弱纹理植物的三维重建,本文改进方法具有较好的鲁棒性与泛化性能力。