小麦品质的优劣与生长发育状况主要由外观性状显示出来,而穗部的表型性状参数尤为重要,与小麦的产量息息相关。传统麦穗表型参数获取需要手动测量穗长、穗宽、籽粒数等性状参数,劳动强度大,主观性强,且部分性状参数如籽粒投影面积、籽粒间距等难以测量,很大程度上限制了麦穗研究的进展。为了能用低成本批量获取麦穗的表型参数,本文提出一种便捷且精准的麦穗表型信息提取方案。首先针对现阶段的麦穗实例分割数据集较少,而过于单调的麦穗数据集训练出的模型无法识别各种类型麦穗的问题,本文分不同时间段采集51个不同品种的麦穗用于麦穗与籽粒两个数据集的制作,其中46种作为训练集和验证集,其余5种作为测试集检测训练效果,并对训练数据进行旋转,明暗度变化,高斯模糊等数据增强操作扩充数据集。其次由于麦穗特征参数精确提取的前提是实现对麦穗与籽粒地精确分割,因此本文针对麦穗与籽粒分割任务特点,对Mask-RCNN模型提出三种改进方向,（1）为了提取麦穗的多尺度特征,在主干网络ResNet101的单个残差块内构建分层残差链接以获取不同大小感受野的信息,提高图像特征提取能力;（2）在原FPN上添加了含有上下文信息边的特征金字塔网络模块,通过多次双向信息流采样提高麦穗边缘及遮挡麦穗籽粒的分割精度;（3）针对Mask-RCNN中掩码质量与分类评分相关性不佳的问题,增加掩码评价机制,采用特定的网络块来学习和预测掩码的质量。实验结果表明本文的每个改进方向都是有效的,改进后的Mask-RCNN在麦穗与籽粒分割上的F1与Miou的值均高于原模型,本文模型与现有的UNet和DeepLabV3+算法的比较结果,也证明了改进后的Mask-RCNN在分割麦穗与籽粒上有明显优势,具有较好的分割性能。最后根据麦穗与籽粒的分割结果设计了一种麦穗表型参数自动提取算法。针对现有方法提取特征参数有限的问题,本文从多个角度入手,提取麦穗的成熟度信息、颜色、形状、空间四方面22个表型特征的参数。通过对测试集中5个品种麦穗的特征参数进行提取,得到其对应的表型参数,其中麦穗长宽、籽粒个数的参数接近人工测量值,每个品种提取的22个特征参数均不相同、各有特色,对麦穗研究具有一定的现实意义。总体而言,本文提出的麦穗表型信息提取方案能够在实现麦穗与籽粒的精确分割基础上,快速提取不同类型麦穗的颜色、形状、空间特征,可为小麦大规模质量检测和商业化育种提供技术参考,具有较强的实用性。