小麦计数一直是我国乃至世界进行地区产量估计与小麦表型分析的重要组成部分,由于前期准确预测小麦的产量主要依靠农业工作者深入田间进行人工计数,这种计数方法不仅费时,而且数据具有很强的主观性,统计的方法也缺乏统一的规范,这些很不利于国家准确地进行小麦产量的预估和分析,进而影响国家对于小麦生产的指导和决策,因而自动小麦计数得到了科研者的广泛关注。自动小麦计数是计算机视觉的一大挑战,有效的小麦计数方法需要解决小麦图像中背景复杂、目标粘连严重、存在相互遮挡、光照变化不均匀等问题。传统的小麦计数大多数是通过手动提取一些特征信息,如颜色特征,形状特征,梯度直方图特征等构建小麦的麦穗模型,虽然这些特征信息能够大致识别麦穗的位置,但在遇到复杂背景和光照变化等情况下会使模型的识别效果变差。随着深度卷积神经网络(DCNN)的兴起和其强大的特征提取能力,它被大量农业科研者所研究,并将其应用到农业的各个方面。本文为了更好地实现小麦计数,对深度卷积神经网络进行了研究,并在此基础上构建了多尺度残差深度卷积神经网络用于小麦计数任务,提高了小麦计数的精度。同时,自然场景中的麦穗图像存在目标互相遮挡问题,深度卷积生成对抗网络(DCGAN)因其独特的对抗机制来使网络学习存在遮挡的目标,因而很好地解决了小麦的遮挡问题,本文构建了深度卷积注意力自对抗网络用于解决麦穗被遮挡问题,并在公开小麦数据集上获得了较好的计数精度。本文的主要研究成果如下:1、提出了一种基于多尺度残差U-net网络的小麦计数方法。为了提高小麦计数的精度,该网络首先利用残差模块和循环卷积块构建多尺度残差块获取更丰富的上下文信息来识别麦穗;其次,为了能够具备强大的学习能力,采用U-net网络的经典编解码结构来融合多尺度下的特征并增大网络的感受野;最后,将所提的多尺度残差块融合到这种编解码结构中,进一步丰富网络学习特征的能力。通过实验验证,所提出的多尺度残差U-net网络在自建小麦数据集上相比于U-net网络,小麦计数精度有一定的提升。2、提出了一种基于注意力自对抗网络的小麦计数方法。为了进一步解决小麦目标间的遮挡和自相似等问题,进而提高小麦计数的精度,该网络首先在单个沙漏网络后面增加一个注意力模型构成注意力沙漏网络,这样的网络结构更加关注于小麦的表型而削弱对小麦以外区域的关注;接着,构建一个与前面一样的注意力沙漏网络使其为对抗网络,从而构建成完整的注意力自对抗网络。最后通过实验验证,所提网络结构比其他网络结构在小麦计数上的精度上有了更进一步的提升,同时还进行了该网络的成分分析,验证了注意力机制的引入和对抗网络的添加都是有效的。