大豆作为世界上最主要的植物油源与植物蛋白源,是东方饮食文化的重要部分,占据五谷之一。我国大豆的年产量供求在现今的农作物栽培水平下无法达到平衡,存在供不应求的局面。目前,中国大豆年产量无法满足内需,大豆总产量短缺并依赖进口。因此,如何去选择优良大豆品种来进行育种问题亟待解决,以此提高国内培育出大豆的品质,在总体上提升我国的大豆产值。在大豆品质的衡量上,大豆粒荚的籽粒数是极为重要的标准,保证豆粒荚的籽粒数这一植物表型在测量上的准确性是解决途径之一。在过去,大豆粒荚的籽粒数的植物表型测量方法采用的是人工方法对大豆粒数进行分辨,不足的是,针对大批量的大豆粒荚测量来说,这一分类工作效率低下、耗费精力、成本极高,并且人工分类时,由于没有明确的分类筛选标准,容易依赖过往的经验,从而导致分类不准确。因此,开发快速、准确和可重复的方法来识别分类大豆的植物表型,将提高选择过程的效率,并将提供有用的工具促进期望的性状整合到农业育种中。提出基于卷积神经网络的大豆粒荚形态识别和分类的方法,构建大豆粒荚图像库,搭建端对端的YOLOV5模型,在大豆粒荚训练数据集上训练完成后,在大豆粒荚图像上直接对大豆粒荚进行目标检测,在检测目标的基础上构建优化后分类模型,对目标进行分类。实验结果表明,本文提出的大豆粒荚识别和分类模型可以很好的对大豆粒荚图像进行识别和分类。在其他植物表型识别和分类的领域中也具有良好的发展前景。具体内容如下:（1）本文对所得到的大豆粒荚数据集,设计图像预处理,可以将大豆粒荚图像数据集制作成格式、样式统一的图像数据集并将该数据集进行YOLO格式的数据集标注,制作YOLO模型训练的数据集,方便接下来分类工作和目标识别检测工作。（2）本文提出端对端的YOLOV5模型在大豆粒荚数据集上直接对大豆粒荚形态进行检测。经过对数据集的处理后,使用YOLOV5模型对处理后数据集进行训练,使用训练完成的最优模型结果在测试集上进行测试。在500张的测试集中,对大豆一粒荚、二粒荚、三粒荚、四粒荚的检测和分类实验中,达到了97%,并且发生漏检和误检的概率分别为2%和1%。证明YOLOV5模型在大豆粒荚识别分类中有着很好的效果和优势。（3）本文针对当前分类模型情况,选取准确率较高的Efficient Net V2模型,并对该模型进行轻量化处理,加入了ECA模块,实现对大豆粒荚的分类工作。该轻量化模型相比较未优化前的模型,在模型对一粒荚、二粒荚、三粒荚、四粒荚训练和验证集中,准确率都优与未优化前的模型。