棉花是我国最重要的经济作物，是仅次于粮食的第二大宗农产品。棉花生产直接关系农业和棉纺工业的发展，关系国计民生。我国人多地少，棉花种植面积十分有限。因此，加强栽培中的调控，改善群体质量，提高单产是提高棉花产量的主要方法，这就需要掌握棉花群体的一系列生理指标以建立定量调控的栽培技术体系。叶面积指数(leaf area index，LAI)、灌水量等关系棉花生长状况的特征指标一直是棉花生理研究的重要部分，也是生产上采取各种栽培措施的主要依据。目前对于这些指标的测定主要采用人工记数、测量或目测判断的方法，获取信息速度慢、费工、主观性强且误差大，特别是有些检测对于检测对象有破坏性，无法对同一个对象进行长期跟踪检验。计算机视觉技术能够克服这些缺点，在农作物生长监测方面有着巨大的应用潜力。本论文就棉花生长信息的获取进行了以下初步工作。(1)提出了基于颜色聚类的半监督的图像分割方法分割棉花图像。以用户输入的少量样本点作为HSI颜色空间中像素点的聚类中心，在增加少量的人工干预下大幅度地改善了棉花图像的分割质量。(2)在图像分割的基础上，从图像中提取和颜色相关的特征量作为模型的参量，尝试利用神经网络建立检测LAI值的预测模型。以一组样本实测的LAI值为例，建立神经网络模型，使用其它样本测试的结果表明该方法基本可行。由于方法本身理论上不完备，故对试验结果进行了详细分析，并说明了误差的可能来源。(3)以颜色相关的特征量作为模型的参数，建立了判断作物灌水量的神经网络模型。对一组灌溉水平不同的样本进行测试，结果与实测结果基本吻合；当对该组样本采用直方图的阈值分割进行图象分割时，所得到的结果与人工监督的分割方式得到了基本一致的结论，而这一自动分割方法效率更高。基于上述工作还实现了棉花生长信息系统软件的LAI测定和灌溉水平检测。实际的测试表明了上面的思路基本可行，但要进入实用阶段，在图象原始数据积累和图象处理方法上还需进行更多艰苦的工作。