玉米是我国的主要粮食作物之一,在玉米的培育选种中,研究人员常常需要统计玉米茎粗等表型数据。在目前的作物茎粗自动测量方法中,比较成熟的方法是通过暗室成像来获取,但构建暗室成本高、盆栽搬运效率低;而在室外直接自动测量玉米茎粗时又具有环境多样的特点,光照条件、杂草等不确定因素会直接影响自动导航的精确性及玉米茎粗测量的准确性。为解决室外自动测量玉米茎粗存在的困难,本系统基于深度学习,分别对自动导航系统的改进、盆栽编号的识别和玉米茎粗的测量三个方面进行了研究,完成盆栽玉米茎粗自动测量平台的设计和功能实现,主要研究内容和结果如下:（1）基于语义分割的自动导航系统的改进。本系统采用已有的自动导航平台,选用Enet语义分割网络,对直行道路、转弯道路和背景进行三分类分割,通过改进标注方法,得到导航区域分割效果较好的模型,使自动导航系统在直行导航的基础上,实现自主转弯换行的功能;本系统利用陀螺仪模块辅助视觉导航,通过比例-微分算法进行控制,导航系统的偏航角在-1°～2°之间变化,标准差为0.85°。（2）基于SLPNet网络的盆栽编号检测与识别系统的实现。本系统将摄像头搭载至自动导航系统的移动平台上,实现自动导航的同时进行盆栽编号的检测与识别;在不同光照条件下采集盆栽标签,并对数据集进行数据增强处理,使训练的模型能够适应不同光照条件,得到的模型标签检测精度为97.8%,编号识别精度约为91.3%。（3）基于深度相机的盆栽玉米茎粗自动测量系统的实现。玉米茎粗的测量使用Realsense D435i深度相机获取深度信息和彩色信息,在深度图像中采用固定阈值法分割出玉米植株,将分割的结果二值化后与RGB图像进行掩膜分割出RGB图像中的玉米植株;通过色彩空间转换,将RGB图转换到YCr Cb色彩空间中,采用固定阈值法分割出玉米茎秆,使玉米茎秆的分割方法能更好适应光照强度变化;最后根据坐标变换,由深度相机中的深度信息以及分割出的茎秆二值图计算世界坐标系中玉米的实际茎粗。经试验,玉米茎粗的平均测量误差为0.12mm,平均相对误差为2.61%。（4）基于自动导航和盆栽编号识别进行盆栽玉米茎粗测量的试验。在自动导航的过程中,将识别的盆栽编号与对应的玉米茎粗进行一一匹配,实现盆栽玉米茎粗在线自动测量。经试验,本系统的玉米茎粗的平均测量误差为0.50mm,平均相对误差为3.22%;同时,盆栽编号识别的准确率为93.3%。