植物是地球上不可或缺的生物之一,它为人类提供食物和药材,保护着水资源以及我们赖以生存的土地,并在气候调节等方面起着十分重要的作用。研究植物,特别是在植物的叶片分割这个问题上具有重要价值。植物叶片的分割在植物的识别、植物健康状况的检测等问题上有着重要的意义。研究植物叶片的分割方法是植物在计算机视觉方面的重要任务之一。针对深度学习下的植物叶片分割方法的数据缺乏问题,本文提出了一种使用合成数据来训练分割网络的方法,进而研究自然背景条件下的单片植物叶片分割问题。同时,结合条件随机场、空洞卷积、空洞空间金字塔池化等方法的分割网络,在植物叶片的分割精度上更加精细。本文在本课题所做的工作如下:(1)针对传统的分割方法,它在自然背景下不能对植物叶片进行全自动分割或者分割效果比较差等问题,本文选择了使用深度学习的方法来进行植物叶片的全自动分割。(2)针对深度学习下的植物叶片研究算法训练数据缺乏问题,本文利用三维树叶模型来生成分割数据。并详细讨论了如何通过一张植物叶片,重建得到不同形状、颜色的树叶模型,并和不同的背景融合,自动生成大量的训练图片和训练标签。然后本文利用合成的叶片数据和标签来训练分割网络,并且在自然背景条件下的叶片图像上进行分割。(3)对于全卷积神经网络模型分割精度不高以及叶片的多尺度特征等问题,本文结合了条件随机场来精细叶片边缘,利用空洞空间金字塔池化和空洞卷积提高了叶片的分割精度。本文改进了DeepLab-ASPP模型,设计了一种更适合叶片的分割网络。最终,本文完成了使用合成数据来训练植物叶片分割网络的研究。实验表明,本文重建的植物叶片模型,在一定程度上有一定的真实性,并且能够生成无数的分割训练数据,减小了人工标注图像时的精力消耗。利用本文的方法所合成的训练数据能很好地训练分割网络,并且在自然背景条件下的植物叶片图像上达到很好的分割效果。