随着深度学习理论的发展和计算机硬件的迭代,基于深度学习目标检测算法的精度和速度都得到了提高。深度学习的植物表型研究已经引起业界广泛的关注。田间小麦麦穗的自动检测在估算小麦密度、健康、成熟度、产量预估和种子筛选等方面都具有一定的科研应用价值,而目前利用计算机视觉技术和深度学习理论对麦穗进行快速检测计数正处于初步研究阶段。本文针对传统的大田麦穗计数方法存在效率低下、主观性影响较高、人工费时费力等许多问题进行研究。此次研究以采集全球小麦头检测（GWHD）数据集和山西农业大学小麦研究所试验田小麦为研究对象,充分考虑数据平衡问题,利用深度学习理论和迁移学习技术进行建模研究,对目标检测模型进行优化改进,将训练好的小麦麦穗检测模型应用到真实田间麦穗检测上并模拟估产步骤,达到快速精准估产的目的。本文以2020 Global Wheat Detection竞赛所提供的小麦麦穗数据集和实地采集两种途径获取的不同地区、不同品种、不同光照、不同成熟期的多样化小麦麦穗图像为研究对象,展开了对田间麦穗目标检测方法的研究。主要研究内容如下:（1）以小麦麦穗检测研究现状为视角,深入总结分析了国内外一些研究人员利用浅层学习方法和基于深度学习的小麦麦穗自动检测的方法和先进理论,同时也探讨了深度学习和计算机视觉领域技术的发展现状以及在农业领域不同方向的应用探索情况。以此为基础,提出了本文研究的主要目标。（2）以提高麦穗检测模型的鲁棒性和泛化能力为关键目标,采用多种方法构建了足够多样性的WHED数据集（小麦麦穗增强数据集）。以HSV颜色空间中的平均亮度为重要参考依据,将GWHD数据集按照测出的HSV值划分为模拟真实田间自然光线环境的三个区间,对比分析GWHD数据集三区间样本分布的情况,确定以调整HSV平均亮度的方案实现三区间样本的数据平衡。此外,线下增强是通过增强因子的设定对麦穗图像进行亮度、色度、对比度、锐度等不同程度的增强操作,并随机用到椒盐噪声、高斯模糊、旋转、水平翻转、垂直翻转、缩放等线下增强操作。最终增强图像数为1195张,总数为5632张,经统计总麦穗数为242309个。小麦麦穗数量在30-70这个区间内的图像数量接近一致。最终按照VOC2007数据集格式完成小麦麦穗增强数据集（WHED）的制作。在线增强是创建嵌入模型的实时在线随机增强预处理函数get＿random＿data,通过每个epoch进行一次增强操作,使达到进一步提升模型鲁棒性的目的。（3）在分析总结现有一些深度学习网络模型特点的基础上,尽可能在提升深度学习网络模型检测识别精度和FPS检测速度以及减少模型参数的情况下,保证之后移动终端的可移植性。本文对YOLOv4模型重构,选用MobileNet系列网络模型将主干特征提取网络CSPdarknet53进行替换,并对PAnet加强特征提取网络中的3×3普通卷积用MobileNet中的深度可分离卷积块来替代,通过应用和设定MobileNet里面的Alpha参数,对整个模型进行通道数的调节,进一步减少模型的参数,从而达到移植的条件。通过调整重构模型训练参数和超参数的设置对模型进行优化,使得最终模型在测试集上的平均精确率达到78.9%,单张检测速度0.04秒,且模型体积约为74.5MB,比YOLOv4缩小了10倍,检测速度FPS比YOLOv4提升了2倍。EfficientDet迁移学习麦穗检测模型在测试集上的平均精确率达到84.65%,单张检测速度0.25秒,模型体积约为49MB。两种检测方法都拥有较高准确性。EfficientDet迁移模型精度更高、MobileNet-YOLOv4检测速度更快。两个模型基本满足了农户对麦穗快速检测计数的需求,从而可以进一步完成快速估产的任务。