未来几十年中,人类将面临巨大的粮食挑战。为了提高粮食产量,需要育种计划来培育更加优良的作物。高效的改良育种需要将基因型与表型相结合,根据表型来选择理想的植物遗传性状。然而,传统的植物表型测量技术通常是人工进行的,存在着许多的缺点,比如费时,费力且非常昂贵。基于多视图几何算法构建植株三维模型的方法已在温室中得到广泛应用,并能够动态监测植株生长过程,但目前该方法在复杂的大田环境中应用较少。本研究分别以温室的辣椒盆栽与大田的甜菜为研究对象,基于多视图几何的方法重建辣椒盆栽与大田甜菜在多个时期的三维模型。获取高精度的植株三维模型后,开发了一个自动化的程序来处理植株的三维点云,包括点云预处理、点云坐标矫正、点云滤波、点云分割以及植株性状参数提取(如株高,叶长、叶面积、凸包体积等等),以此来监测温室辣椒与大田甜菜的生长动态并探究多视图几何方法在温室与大田两种环境下的适应性与差异。在植株点云处理与表型性状估计中,我们提出了三种新的算法:在点云分割中,提出了改进区域生长算法,首先采用区域生长算法来进行初始分割,然后使用欧氏聚类来提高原始分割后叶片点云的质量;在叶长估计中,提出了快速提取叶脉算法来提取比较平坦的叶片叶脉(如辣椒叶片);此外,提出了通用叶脉估计算法来快速且准确的提取结构复杂的叶片叶长(如甜菜叶片)。结果表明,在温室辣椒试验中,辣椒叶长和叶面积的估计值与手动测量值的R~2均大于0.99,且RMSE分别为2.55mm和1.4cm~2。大田甜菜试验中,甜菜株高和叶长的估计值与手动测量值的R~2分别为0.88和0.83且RMSE分别为5.2cm与1.77cm。结果证明了多视图几何方法在温室与大田环境下都能构建高精度的植株三维模型,结合我们提出的三种算法,能准确的监测植株的生长过程,可为与基因型相关的表型高通量分析提供基础,为作物育种提供一定的支持。