我国是一个农业大国,山西又是北方旱地的主要粮食产地,由于地理环境的影响,农田作物的生长环境相对贫瘠,农田杂草便成了影响农作物生长的关键因素之一,对北方旱地农田杂草进行充分的认识和利用,就要获取到北方旱地中常见杂草的类别、杂草在田中所占比例等信息。本文将利用深度学习算法,对田间杂草目标检测技术进行研究,为杂草的绿色防控提供新思路。本研究以有机旱作生产体系下与玉米、谷子及大豆等农作物同步生长发育的9类主要杂草作为研究材料。处理对比分析评价YOLOv3、YOLOv3SPP、YOLOv5算法对9种杂草的检测效果,系统分析比较这些算法的差异,给相关使用者,特别是农业领域的科学家和研究这方面的人员在使用该检测方法时提供参考。最后在YOLOv5算法的基础上尝试对生长情况复杂的杂草识别,对一张图片里的多种类型杂草进行识别得到它们的杂草类别。主要研究结果有以下:（1）构建北方旱作农田杂草数据集。采集了不同生长时期北方旱地常见的9种杂草,为了方便后期进行处理,我对杂草照片分别进行整体标注与局部特征标注,最终形成了4917张杂草标注样本。（2）实验使用YOLOv3、YOLOv3SPP、YOLOv5在数据集上进行检测对比。三个模型在自制的杂草数据集上的平均精准率m AP分别为0.7544,0.8117,0.8527,而且在YOLO v5模型中单张图片的处理速度为2.27 s,比YOLOv3模型的速度缩短了很多,证明了YOLO v5模型适用于杂草图像处理这种数据量很大的试验。并在这个模型的基础上对生长纷乱,不同杂草组合成的杂草图像进行了识别,识别效果符合预期。最后基于局部特征对这九类杂草进行检测提高了杂草的识别率。（3）使用图像分割技术对采集到的杂草图像进行其覆盖度研究,选择Unet++作为训练模型,选取了九类杂草的360张照片进行训练,最后得出该模型的m AP值为0.9612,根据分割后的图片,照片中标记出的杂草的像素面积和整张图像像素面积的比值,从而得到所选杂草的覆盖度数据。这对杂草的大面积防控具有重要的意义。