水稻是我国主要粮食作物之一,其稳定与高质量的产出对保障基本食品供给和维护国家粮食安全至关重要。然而,水稻白叶枯病严重危害了水稻正常生长发育,降低了水稻产量与稻谷品质。种植抗病品种是防治水稻白叶枯病最经济有效且绿色环保的方法。抗病育种主要依靠水稻抗病表型判断抗病基因的有效性。在传统抗病育种研究中,水稻抗病表型的获取主要依赖人工观测,存在效率低、误差大和主观性强等缺点,且缺少针对复杂表型特征的智能化分析方法。光谱成像技术可以无损且快速地获取物体内部物质特征与外部形态特征,常被用于获取植物表型特征。近年来,深度学习也展现出了卓越的数据特征分析能力。为了更加高效、精准和客观地获取与分析抗病水稻表型,辅助育种专家智能判断抗病水稻品种,实现抗病育种研究的数字化与智能化,本研究基于光谱成像技术与深度学习建立了获取与分析水稻白叶枯病抗性表型的方法系统。具体研究内容与结论如下:（1）基于光谱成像技术与深度学习算法建立了水稻种子基因型的判别模型,实现了抗白叶枯病水稻种子的准确鉴别。采用近红外高光谱成像和太赫兹光谱成像技术,结合自建神经网络,建立了基于平均光谱与光谱图像的抗病水稻种子鉴别模型,分别为Seed Net-1D与Seed Net-2D。对不同收获年份的水稻种子提出了基于Seed Net-1D的微调学习方法。运用特征降维算法对深度学习特征分析过程进行了可视化。研究表明:（1）基于太赫兹光谱的Seed Net-1D和Seed Net-2D的判别准确率可达到91.49%和83.51%,超越了传统机器学习模型与基于近红外光谱的深度学习模型;（2）迁移微调方法提升了不同收获年份抗病水稻种子的判别准确率,减少了新样本的采集成本;（3）深度学习模型有效促进了类内成簇和类间分离。（2）结合多种成像技术等检测手段研究了白叶枯病对不同基因型水稻生理生化的影响,为评估水稻白叶枯病抗性奠定了理论基础。在白叶枯病胁迫下,运用透射电镜扫描成像技术捕捉了水稻叶片微观结构的变化。基于紫外分光光度法检测了水稻叶片生理生化指标的含量。同时,以荧光定量聚合酶链反应为基础,获得了水稻防卫基因的相对表达量。研究表明:（1）抗病水稻叶片维管束中白叶枯病原细菌数量少且分散,细胞结构完整且饱满;（2）在染病后不同时间的水稻叶片中,光合色素、丙二醛和谷胱甘肽的含量变化规律展现了抗病与易感病水稻的胁迫响应差异;（3）抗病水稻的病程相关防卫基因的相对表达量均出现上调,易感病水稻的病程相关防卫基因表达受到抑制。（3）在受控室内环境中,基于光谱成像技术与注意力机制建立了水稻叶片染病状态与白叶枯病病斑比例的诊断模型,实现了准确的水稻白叶枯病抗性评估。采用叶绿素荧光成像技术初步探究了白叶枯病抗性的可分性,建立了染病状态与抗病能力的判别模型。以叶片可见近红外高光谱特征基础,建立了拥有病斑比例预测与染病状态诊断双分支结构的LPnet深度学习模型。研究表明:（1）抗病水稻最大限度地降低了白叶枯病原细菌对叶片光化学反应的破坏;（2）基于水稻叶绿素荧光特征的病情诊断模型证明了运用光谱特征评估水稻白叶枯病抗性的可行性;（3）LPnet模型的病斑比例回归R~2达到0.96,染病状态诊断准确率达到了92.39%;（4）通过提取LPnet注意力权重形成的光谱指标与病斑比例的相关系数高达0.97。光谱指标和LPnet以85.41%的准确率预测了水稻病害等级,实现了不同基因型水稻的白叶枯病抗性的快速评估。（4）在复杂室外环境中,利用图像实例分割算法建立了水稻病斑比例计算模型,实现了准确的白叶枯病抗性评估。依托RGB成像技术采集了在复杂室外环境中水稻叶片图像。结合卷积模块的注意力机制和Tversky损失改进了Mask R-CNN模型并分割了RGB图像中的水稻叶片和病斑。研究了不同年份和场景的水稻叶片图像对模型性能的影响并根据分割结果计算了水稻白叶枯病病害等级。研究表明:（1）易感病与抗病水稻的叶片病斑发展速度存在差异;（2）基于自适应直方图均衡化算法的改进Mask R-CNN的叶片和病斑的平均交并比分别达到93.38%和78.64%;（3）分割掩码的合并结果与真实病斑比例的回归R~2最高可达0.97,病害等级判别准确率也高达90.90%。根据具体的染病时间,病害等级的预测数值能够准确地指明水稻抗病能力的强弱。（5）通过整合判别回归模型与表型分析方法,设计并搭建了水稻白叶枯病抗性表型分析系统软件。运用Py Qt5设计并制作了分析系统界面。整个系统包含抗病水稻种子鉴别、基于光谱图像的水稻白叶枯病抗性评估和基于RGB图像的水稻白叶枯病抗性评估等3个分支。根据分支结构的模块设计,结合Py Qt5的各类控件与算法搭建了系统功能,并运用Pyinstaller将界面与模块打包为可执行软件,为方法落地应用提供了基础平台。