小麦是世界上种植地域最广、面积最大及产量最多的粮食作物,2021年世界小麦使用量达到7.54亿吨。小麦产量的及时预估对作物生产、粮食价格及粮食安全产生重大影响,单位面积穗数是小麦产量预估研究中的难点及重中之重。当前,人工估产方法依据专家目测估计产量,准确率得不到保证。取样估产方法通过采集部分区域,进行人工计数、称重,费时费力。随着计算机视觉技术的发展,大量研究致力于统计单幅图像中麦穗数进而实现估产,此类研究利用卷积神经网络强大的特征自学习能力,对麦穗进行特征提取,通过大量数据训练模型,进而成功实现对图像中麦穗计数,为后续小麦估产提供数据参考。然而部分现有的麦穗计数研究基于通用的原始计数网络,未考虑小麦尺度不一、密集等特点进行优化,准确率有待提升。因此,本文以田间麦穗图像为研究对象,对原有卷积神经网络模型进行针对性改进,实现小麦精准计数。具体研究内容如下:（1）研究数据预处理策略对模型训练过程及最终性能的影响。针对公开的全球小麦检测数据集（GWHD dataset）及高分辨率小麦数据集（WED dataset）,不但使用常规的数据增强方法（旋转、镜像、改变对比度等）,而且对不同来源图像进行针对性增强。研究使用线性滤波方法选择适合小麦图像的卷积核对GWHD数据集进行处理,将原始被压缩、质量差的图像进行滤波增强,抑制图像噪声,提升图像质量。研究高斯模糊算法将WED数据集高分辨率（4000×6000）原始图像剔除多余细节,减小与实拍图像差异,解决模型训练中过早出现过拟合的问题,有效提升模型的泛化能力。（2）研究目标检测优化算法。现有的目标检测网络大多是进行通用领域的物体检测,对多尺度麦穗目标特征提取能力差,设置单一的阈值判定正负样本,对密集麦穗的预测框不准确。因此,本研究提出基于Augmented Feature Pyramid Network（Aug-FPN）及级联Io U阈值的目标检测方法,使用Aug-FPN对未降维的信息进行自适应池化,减少底层信息损失,提取不同尺度麦穗的特征。使用级联Io U训练,将低阈值的检测器输出的包围框作为高阈值检测器的输入,逐步提升对麦穗的定位能力,解决密集麦穗遮挡造成的漏检问题。改进后的麦穗检测模型,相较于原始FPN网络,麦穗检测模型的准确率（P）、召回率（R）、平均精度（AP）分别提高了7.7、5.5、6.8个百分点,优于其它主流目标检测模型。（3）研究麦穗密度图回归计数优化算法。原有的人群计数算法将人头部中心点视为目标,头部为圆形且与其它部位差异较大,而麦穗与叶片颜色相近,形状也不规则,给密度回归任务带来挑战。因此,在网络前端,本研究使用VGG19提取更深层次的信息,并结合上下文语义信息,融合不同大小感受野获取的特征执行金字塔池化,获取关键点与其周边部位的关系,将其反馈至后端网络。在网络后端,使用多空洞率的卷积堆叠,保证每次卷积都能包含多种尺度下的麦穗信息,生成高质量的密度图,进而对麦穗数量进行精准回归统计。改进后模型的决定系数（R~2）、均方根误差（RMSE）、平均绝对误差（MAE）达到0.95、6.1、4.78。无人机实拍小麦图像人工计数为3880个麦穗,模型预估结果为3871,整体的错误率仅为0.23%,决定系数达到0.89。综上所述,本文提出的基于改进卷积神经网络的麦穗计数研究可以有效对大田环境中麦穗进行计数,改进的基于目标检测及密度图回归计数方法都保持了较高的精度,且具有较强的鲁棒性,为未来实现小麦产量预估奠定理论研究基础,具有研究意义和实际应用价值。