精准农业主要致力于指导农业生产,为农事活动提供信息,对发育期进行生长状态监测,是当今农业发展的前沿。利用计算机视觉、模式识别等技术,精准农业已经在疾病监测、杂草识别、田间机器人引导上取得了一些应用。但是,精准农业在作物提取、生物特征获得以及发育期生长状态监测这些方面仍然存在困难和挑战。在作物发育初期,幼苗叶面积极小,农田背景复杂,阴影在土地上的投影偏绿色,这为幼苗的提取带来许多困难。因此,本文首先提出了一种基于随机森林的复杂农田背景下幼苗分割算法。该算法结合不同颜色空间在不同光照条件下的分布特点,提取了15个颜色通道特征,利用随机森林进行特征自由选择,并分析了颜色空间对作物提取的影响。而后根据图像中存在阴影情况下不同颜色空间中作物提取性能的分析,提出了基于支持向量机(SVM)的作物提取算法,该算法作物分割性能稳定,具备了农田复杂背景下作物提取能力。并且,即使在图像中存在有阴影的情况下也能取得较好的作物提取性能。随着作物进入营养生殖阶段,叶片面积开始剧烈增长,此时光照对叶片的影响较大。光照强烈时,叶片表面将出现大片的高光区域,这再次给作物提取带来了许多困难。因此,本文从人眼视觉的角度出发,利用高光区域与其邻域间的颜色渐变特点,提出了基于马尔科夫随机场模型的抗高光绿色作物分割算法。该算法利用超像素和统计数据建立随机场势函数,采用松弛置信传播算法求解模型最优解。对比实验数据表明,该算法具有较好的抗高光作物提取能力,在定量的158组包含不同光照情况和作物类别的测试数据中取得最高分割系数均值和最小方差。在传统农业观测规范中,要求综合人工许多感官手段,并对作物进行实物测量,由于难以从图像中直接获取这些生物量的绝对测量信息,在基于农作物提取研究的基础上,本文提出了基于图像特征的生物量提取与生长期预测算法研究。利用计算机视觉技术,设计了八大类基于图像的生物量特征提取方法,用于反映作物在不同生长期的形态特点,并通过极限学习机建立了生物量特征与多个生长期的预测模型,模型预测结果与人工观测结果差异不大。