近几十年来，随着世界人口增长，全球气候变化，粮食安全成为国际社会关注的焦点问题。而解决粮食安全问题，行之有效的方法就是通过育种研究，对优良性状进行筛选，培育出具有高产优质属性的作物新品种。在作物育种的研究工作中，植株表型研究对于理解功能基因与环境影响有着关键作用，而借助于高通量表型数据检测平台，使得植物表型组学与功能基因组学相结合，对于系统的研究遗传变异，解析功能基因意义重大。　　株型是多分蘖植物的一个重要表型特征，且产量受到株型的显著影响已得到证明，这其中植株鲜重、株高、分蘖数、分蘖角和单个分蘖茎粗等表型参数起到了关键作用。具有较少但高质量分蘖，无效分蘖比例低等特征株型被认为是理想的株型。测量株型相关的参数传统手段通常以人工的方法为主，不易操作且效率低下。考虑到功能基因组学和基因技术的快速发展，通过人工的方式来进行大批量的表型分析显然是不现实的，因此，植物表型组学迫切需要高效准确的方法来完成植株株型测量这一艰巨任务。　　本研究提出一种基于体素重建的三维成像方法，用于获取作物植株的三维形态结构，得到植株株型并无损提取包含植株鲜重，株高，分蘖数等在内的株型相关表型性状参数，且具有计算单个分蘖直径以及分蘖角度参数的能力。本研究以前期工作中搭建的高通量自动化表型检测平台为基础，利用旋转台控制完成多角度下可见光相机成像。借助图像处理算法实现标定模板自动识别，达到相机标定自动化的目的。最终通过三维体素重建的方法得到植株的三维结构模型，并通过三维模型处理算法提取株型相关参数。研究还使用GPU并行计算技术对三维重建进行了加速，结合流水线运输，成像暗室图像自动采集，相机自动标定技术，实现了植株三维结构获取的自动化和高通量。　　研究中对八个不同品种一共183株实验盆栽小麦进行了测试和结果分析。在株高和植株鲜重上与人工测量值比较，系统方法测量值株高平均相对误差3.13％，均方根误差1.55cm。植株鲜重平均相对误差14.21%，均方根误差3.21g，系统测量值与人工测量值相关系数为，株高0.95，植株鲜重0.88。通过GPU并行计算技术的应用，使植株三维重建程序效率提高23倍，把重建处理时间压缩到20秒左右。　　本研究结合前期工作基础，依托于表型检测平台RAP，提出了一种基于三维重建算法的小麦植株株型相关参数数字化提取技术，实现了小麦以及株型参数的自动化、高通量、无损测量。主要创新点有：（1）提出了一种基于可见光成像的快速、自动获取小麦植株三维形态结构模型的新方法，解决了依靠图像处理的常规表型检测手段对三维信息获取缺失的难题。（2）提出了一种适用于表型检测平台的图像采集和自动化相机标定方案，解决了以往三维数据获取速度慢，操作不方便的问题。（3）设计了基于三维模型的小麦株型相关表型参数自动提取算法，解决了传统方法效率低，不易实现的难题。本研究将扩展植物表型组学研究的技术手段，使得三维成像技术得以在表型检测中更加便捷。丰富了植物表型研究的形式，为植物表型数字化打下基础，同时将植物进行整体看待也会给植物表型研究提供新思路，并带来更多可能。不管对于表型组学，功能基因组学，还是作物育种领域的研究都将具有非常大的价值。