粮食安全是国家安全的重要基础,是治国理政的头等大事。水稻是世界三大主粮之一,更是我国主要的口粮作物,在粮食生产中占有极其重要的地位。“农以种为先”,培育高产、优质、抗逆的水稻品种是水稻育种的重要目标,其中产量性状是育种的研究重点。水稻育种的全过程都需要获取大量的样本产量性状作为分析指标,稻穗作为果实生长的器官,其穗部性状如穗粒数、实粒数、粒型等直接与产量相关,因此稻穗性状的精准提取对水稻育种研究具有十分重要的意义,是不可或缺的环节。传统测量方式主要依靠人工,过程繁琐、效率低下、精度不高,已经成为制约水稻育种研究的瓶颈因素;而数字化测量技术一般需要先脱粒处理,脱粒过程不可避免的会造成谷粒残留和破损,从而影响测量准确度,并且难以精准区分实粒和瘪粒。因此,急需一种能够在非脱粒情况下为水稻稻穗产量解析提供快速、可靠、全面的无损检测和智能分析新方法,以突破当前稻穗性状提取技术的局限性。但目前,稻穗性状无损检测存在三个难题有待解决:（1）现有研究工作主要采用单一模式成像,难以获取穗粒内部米粒信息;（2）黏连穗粒难以分割,现有方法处理流程复杂,识别误差较大;（3）稻穗天然结构存在穗粒黏连遮挡,造成影像缺失。针对上述三个难题,本文主要研究内容包括:（1）搭建双模式成像系统,采用可见光/X-ray成像方式,分别获取稻穗的外部轮廓反射光图像及内部结构透射投影图像,使用数字图像处理技术进行解析,提取谷粒性状、米粒性状、穗型结构性状三大类共计45种性状参数,构建了一套全面的稻穗性状无损提取方法;（2）利用深度学习中的目标识别技术,通过网络结构设计、数据集构建、参数优化等,实现了端到端的稻穗穗粒无损识别与计数,其中融合特征金字塔网络的Faster R-CNN模型获得了0.75的m AP,其预测谷粒粒数与真实值的相关系数R~2为0.99,且对不同品种、不同光照模式、不同铺展穗型均具有较好的鲁棒性;此外突破性的实现了穗粒的实例分割,获得了0.67的m AP;（3）针对穗部谷粒相互遮挡造成的影像缺失问题,使用生成式对抗神经网络,通过构建遮挡谷粒数据集和网络优化,实现了对不同品种遮挡谷粒的图像修复,修复后谷粒的粒型参数与真实值相比较,相对误差在1.6%～2.2%之间、相关系数R~2在0.86～0.97之间。从科学意义方面来看,本研究克服了水稻性状传统有损测量上脱粒难、实粒瘪粒区分难的缺点,能够为水稻育种研究提供稻穗性状无损测量的新方法;从应用前景方面来看,本研究提出的方法无需对稻穗进行脱粒与脱壳,无需分离实粒、瘪粒,为稻穗性状获取提供了一种快速精准的新途径,能够节省大量的考种人工成本和时间成本,具有一定的市场应用前景和经济价值。