基因型、环境条件和管理措施等的交互作用,使得作物表型非常复杂。现代育种技术需要有批量育种小区作物表型参数的动态化和定量化分析的支持,而高通量表型监测是满足这一需求的关键技术。基于图像获取与分析技术构建具有较大通用性的作物表型信息自动化获取平台,可高效地量化表型参数用于优势基因型选育。对温室和大田环境下多种作物的生长过程进行图像数据采集,基于多源图像的解译,开发了在不同尺度上提取作物表型参数的高通量表型技术。主要内容如下:1.将多视角图像序列方法用于温室小麦早期活力参数的获取。选择苗期表型差异显著的两个基因型小麦进行了温室实验,从出苗到主茎长出第六叶,使用"绿光敏感"相机对定株观测的小麦个体进行多视角图像采集。采用多视角立体重建和运动到结构(MVS-FSM)的算法,从二维图像数据中重建三维结构点云,由此提取用于描述小麦苗期早期活力的多种表型参数(分蘖数、叶片数、株高、Haun系数、叶热间隔以及叶片长度、角度和生长速率)。结果表明,这两个基因型小麦的叶长提取值与实测值之间均呈现较高的相关性。进行两个基因型之间的差异比较可知,在小麦苗期生长阶段,两个不同基因型的表型参数提取值具有明显的差异,这与由传统方法获得的结果相一致。2.将图像信息解译的方法用于大田尺度的作物冠层参数定量化。基于无人机搭载RGB相机的监测平台分别获取棉花、高粱和甘蔗冠层的图像数据,进而构建两种分别基于无畸变图像数据和正交拼接图像的小区尺度覆盖度估测模型。使用一个高精度的植被像素分割算法计算每个小区的覆盖度。当目标小区处在无畸变图像中心的位置时,来自于正交拼接图像和无畸变图像的覆盖度计算值之间具有很好的相关性(棉花:R~2 = 0.97;高粱:R~2 = 0.98;甘蔗:R~2 = 0.84)。虽然对于同一目标小区基于无畸变图像的覆盖度计算值的取值范围较大,但是这种再投影算法为大田小区尺度覆盖度的估测提供了一种更为准确的方法。3.将多光谱图像数据用于大田尺度小麦全生育期归一化植被指数(NDVI)的动态监测。基于无人机搭载多光谱相机(RedEdge)的监测平台,获取了小麦全生育期的多光谱图像数据。基于正交拼接图像的小区尺度的分割结果,将小区内每个像素点的红波波段与近红外波段的反射比来计算其对应的NDVI值。无人机平台提取的NDVI值平均要比手持传感器GreenSeeker测量值高出0.2个单位,但两者之间具有较好的相关性(R~2 = 0.85)。基于监测结果评估了多个基因型小麦NDVI在不同处理小区之间的变异。基于全生育期小麦NDVI的计算值可知,其值在开花期前后达到最大。小区开花期NDVI值与其最终产量具有较强的相关性(R~2= 0.82);将由高分辨率图像计算的覆盖度作为目标小区像素点筛选的阈值,进而对NDVI的计算值进行校正,可以提高NDVI计算值与产量之间相关性。多视角图像法能够精确高效地量化代表小麦早期活力的多种表型参数。所开发的大田小区尺度的图像数据挖掘算法可被推广到其它形式的图像数据(热相机、多光谱相机等),从而为多源图像数据的解译与信息融合分析提供技术支撑。同时,基于无人机平台的近地遥感数据与地面采集样本数据的融合分析,不仅一定程度上可提高低分辨率图像数据解译结果的准确性,也为图像数据的多尺度分析提供技术支撑。因此,在温室和大田环境下,基于多源图像解译的高通量表型技术可以准确地监测多种作物生长状态,实现作物多种表型参数的动态分析。这为农业生产实践中优势基因选育提供强有力的技术支撑,也是精准农业、智慧农业发展中多学科交叉应用的结合点之一。