我国玉米田间的病虫害防治和除草工作多采用传统不间断连续喷药的作业模式,不能针对玉米苗或杂草进行精准施药,提高了防治病虫草害的成本并造成环境污染。为解决上述问题,进行精准对靶施药识别技术的研究,对靶施药技术能够区分作物对象与土壤背景,有效降低药量使用。本文针对苗期玉米田间复杂环境下苗草识别精度低的问题,开展玉米苗及伴生杂草识别技术的研究,利用深度学习的方法对苗草数据集进行训练并提高玉米苗与杂草的识别与分割准确率,使药剂被定时、定量、准确地喷施在杂草施药目标上。论文主要工作总结如下:（1）介绍了卷积神经网络的基础网络结构,对现阶段基于深度学习的目标检测算法进行了探讨,对Faster R-CNN与Mask R-CNN两种算法的核心原理和基本的检测过程进行了阐述,通过对两种算法网络结构和实验结果的对比分析,发现Mask R-CNN算法在满足苗草检测实时性的基础上,不仅能实现苗草的分割与面积计算,还有着更高的苗草识别精度,故本文选择使用Mask R-CNN作为本文玉米苗与杂草识别的基础网络。（2）基于改进Mask R-CNN的算法构建杂草分割模型。首先,采集大量田间玉米苗及三种主要伴生杂草的图片作为样本集,设计Python程序,使json标注文件随图片同时进行数据增强操作,有效减少了对扩充数据集人工标注的工作量,生成供本文苗草训练使用的田间数据集;其次,对本文的Mask R-CNN算法进行优化:一是引入使用按通道切分特征图注意力的Res Ne St优化特征提取网络,二是使用软化的非极大抑制（Soft Non-Maximum Suppression,Soft-NMS）对区域建议抑制方式进行改进。最后使用本文的分割算法与优化前的特征提取网络和非极大抑制方法进行训练损失值的比较。实验结果表明,改进Mask R-CNN有着更低的训练总损失值,平均准确度均值（Mean Average Precision,m AP）达0.482,本文算法有效提升了苗草检测的精准度。（3）搭建基于Mask R-CNN苗草分割的对靶施药试验台。设计了试验台和对靶施药系统总体方案,进行了玉米苗与杂草的定位研究,在Ubuntu 18.04系统上将图像采集模块、基于Mask R-CNN的作物与杂草信息检测模块、对靶施药控制模块及施药系统状态检测模块相结合,设计田间玉米与杂草对靶施药系统上位机界面,搭建基于机器视觉的对靶施药试验平台,进行不同光照强度及苗草有不同程度遮挡情况下的对靶施药试验。通过本文的研究,改进的Mask R-CNN算法能适应复杂工况施药环境下的苗草目标检测,经与对靶施药系统结合的验证,算法有着良好的识别精度与速度,为田间智能装备的作物信息获取技术的改进提供了一定的技术支撑。