传统的作物计数方法使用图像处理技术提取颜色、纹理特征,再利用机器学习方法建立回归模型。卷积神经网络的发展为作物计数提供了新的思路,它的过程简洁,识别效果好,后续的计数简单。本文也从深度学习的角度出发,在分析和总结了现有的农作物计数方法之后,针对大田环境下不同的作物生长周期情况,实现了基于颜色特征的作物计数方法,提出了基于改进YOLO＿V3的作物计数方法以及基于多列卷积神经网络的作物计数方法。总体而言,本文的主要工作如下:(1)在查阅了大量文献的情况下,总结了传统的作物计数方法,并且对主要方法进行了复现。另外,本文也总结了基于卷积神经网络的作物计数方法,并且对主要方法进行了详述。(2)利用图像处理技术,提出了基于颜色特征的作物计数方法。并且以麦穗图像研究对象,使用传统图像处理技术对图像处理和分割,再利用快速并行细化算法对图像进行细化提取骨架,Harris角点检测检测角点进行计数,计数结果达到了实际应用需求。(3)本文改进了目前目标检测和识别领域中最常用的网络之一YOLO＿V3网络,将Dense Net融入YOLO＿V3网络中,提出了YOLO＿D网络,使得网络接收到了更多的图像特征。并且使用自建的水稻幼苗数据集上完成了实验测试,证明了算法的有效性。(4)针对作物生长周期抽穗阶段,此时的大田环境复杂,穗器官姿态多样,穗与穗之间重叠多,颜色混叠情况比较常见。本文提出了基于多列卷积神经网络的作物计数方法。该方法的设计参考了端对端的思想,并且使用了局部回归网络和真值密度图,网络可以直接通过积分输出计数。使用无人机影像构建了玉米雄穗数据集,在数据集上实验了算法,取得了一定的效果。