“民为国基、谷为民命”,农作物的种植关乎国运民生,农作物的生产直接关系到我国社会发展与经济建设。当前,在农业领域一个重要的研究方向是如何通过育种提高农作物的抗逆性,例如抗病虫害、抗旱、抗寒、抗盐等。表型则是育种过程中必不可少的部分,通过表型能够筛去抗逆性差的品种、挑选优良品种,有助于培育更优质的后代。在传统育种过程中,针对抗病虫害性,专家会人工识别叶片的疾病,依据叶片的患病类型以及程度挑选出抗病能力强的种子作为下一代培育对象。一般来说,这样的工作方式工作效率低、工作量大。因此,当前迫切需要一种农作物疾病自动化识别平台与方法来代替人工完成这些任务。针对此问题,本文首先搭建了农作物叶片自动化表型平台,该平台包括桌面端表型平台和移动端表型平台,其主要功能为采集植物叶片图片并对图片进行分析。针对传统图像处理方法和传统深度学习方法无法有效对抗噪声和处理复杂背景的问题,本文提出了一种基于领域自适应的鲁棒农作物病害检测方法,该方法在传统深度学习的基础上利用少量无标签的复杂域图片对神经网络的特征层进行约束,使其对抗噪声和处理复杂背景的能力更强。实验表明,该方法在复杂域中对植物病害检测的识别率更高,分类精度高达92%,满足实际需求。考虑到白粉病是一种常见的作物疾病,并且在表型中需要表征其严重程度并进行分级,因此获得白粉病斑与健康区域面积占比的意义重大。因此,本文提出了一种基于全卷积神经网络的白粉病斑分割方法,该方法与传统病斑分割方法相比,具有更高的分割精度,在多个评价指标上,例如准确率、召回率、Io U分数、Dice分数以及像素精度,都优于传统病斑分割方法,满足实际表型需求。考虑到白粉病斑分割模型过大,无法运行在移动设备中,本文基于超像素分割方法和混合高斯聚类方法。提出了轻量化白粉病斑分割模型。该模型与传统轻量化模型相比具有更高的分割精度,且该模型所占内存仅200兆,能轻松部署在移动设备中,满足便携式平台表型的需求。基于已开发的表型平台,根据上述所提出的算法,本文最终开发了两套农作物病害自动化表型软件,其一用于桌面端表型平台中,另一个用于移动端表型平台中。实验表明,所开发的农作物病害自动化表型软件能满足实际需求,为作物自动化表型提供了重要的技术支撑。