我国是世界上最大的苹果生产国和主要消费国,在世界苹果产业中占有重要地位,因此对其生长发育的观测变得至关重要。作物物候资料不仅仅是研究作物生长过程与农业气象条件关系的重要基础数据,也是指导田间农事管理活动的基础,因此,其是农业生产、管理和农业气象观测的重中之重。长期以来,作物观测主要是通过人工方式进行的,即通过定点、定时的眼观察、手记录方式,对一年当中生物物候现象的变化进行跟踪记录。对于偏远果园、复杂小气候,这种方法不确定性大,同时,个体具有主观性、耗费的人力成本较高、农事管理效率低下、无法持续跟踪观测。随着计算机视觉、深度学习等技术的发展,作物生长状态的自动观测得以实现。但目前主流的网络体系结构过于复杂,需要更多的计算能力,占用大量的内存,对硬件配置的要求较高,其阻碍着现代化农业的普及的进程。因此,作物观测迫切需要一种高效、连续、全自动、无损的观测方法。在田间架设成像设备,并结合计算机相关技术是可供选择的方法之一,由于其低成本、直观、非接触等优势,它已经被广泛用于作物的自动观测。为实现苹果生长状态的自动化观测,本文以苹果为研究对象,以其生长发育客观规律为理论依据,选用并改进轻量级分类网络,应用于苹果生长状态识别;并针对生成商品果（结果期）的三个关键生长状态,选用并改进轻量级目标检测算法,对其进行重点实时监测。本文的具体研究工作如下:（1）针对苹果生长状态识别以及结果期实时监测的任务,基于课题组原先已建立的数据集（展叶期、开花期、结果期）,进一步完善芽膨大期、芽开放期、结果期（幼果期、果实膨大期、果实成熟期）、叶脱落期的图像采集工作,完善苹果图像数据集,通过预处理加强前后景差异,使用多种图像增强、均衡方法丰富数据集。对处于结果期当中的苹果图像标注苹果目标位置,制作VOC格式的标签文件。（2）针对苹果物候周期当中6类生长状态识别的轻量级任务,选取了网络结构相对简单的图像分类模型AlexNet,对其基本网络结构进行了移除局部响应归一化和引入全局池化的处理,并且采用两个不同尺度的卷积核和一个最大池化构成的并行传输结构进行特征提取和融合,在低内存高速率的运行条件下提升了苹果生长状态分类识别的准确性。（3）针对苹果结果期当中3个生长状态实时监测的轻量级任务,选取了轻量级目标检测模型Tiny-YOLOv3,借鉴ResNet方法对Tiny-YOLOv3的主干网络进行适度深化,并在深化后的模型上应用DenseNet方法强化低分辨率层特征提取,促进了特征的复用和融合,减少了特征损失,在实时条件下提高了结果期各个生长状态检测识别的平均精度。（4）优化并完善了苹果物候期识别监测系统。基于原型系统,设计并引入了图像一键批量导入、苹果生长状态识别、原图与结果按需查询、结果分析等功能,系统的优化进一步提升了系统的智能化、精细化水平,并在省内优质苹果产业基地推广应用,提高了果园管理的自动化水平。