小麦是我国的主要粮食作物,其产量高低对粮食供给至关重要,单位面积的总穗数是衡量小麦产量的关键因素之一。原始的麦穗数估计主要依靠人工手动计数的方法,效率低下且结果具有一定的主观性。随着农业表型的发展,如何在复杂背景环境及麦穗严重遮挡粘连等情况下实现精准的自动化麦穗检测成为目前急需解决的问题。目前自动化麦穗检测方法主要可分为两类:一类是传统的图像处理方法,通常先利用小麦的颜色、纹理等特征去除麦穗的骨架,然后利用得到的特征信息定位麦穗的大致位置。传统的图像处理方法只适合识别背景单一、麦穗间相互独立且光照条件良好等条件下的小麦。另一类是利用神经网络进行麦穗检测,此类方法在识别精确度上有较大提升,但在下采样过程中会降低图像的分辨率,从而无法准确识别有遮挡的麦穗,甚至完全丢失一些较小目标的麦穗信息,导致检测效果不理想。本文在详细分析了神经网络原理的基础上,针对麦穗检测过程中存在的问题对网络进行改进,主要研究成果如下:（1）研究了一种基于改进的CSFPN-WRPN的麦穗检测网络,改善了对遮挡麦穗和较小麦穗的检测效果。首先在特征金字塔网络的编码和解码区域分别引入通道注意力机制和空间注意力机制,以增加对麦穗全局有意义信息的提取,有效提升网络对遮挡麦穗的检测性能;其次对原始区域建议网络的输入进行改进,设计了一种加权区域建议网络,在通道级别上将高层具有强语义信息的低分辨率特征图融合在一起,经过一系列的全连接层和激活函数生成对应维度的概率值后,对底层高分辨率特征图进行加权,以增强有用的信息通道,为难以检测的较小麦穗生成更精确的检测框。对于实验室采集的灌浆期麦穗图像的实验结果表明,改进方法的检测精确度、召回率和AP值分别达到80.53%、87.12%和88.53%。通过对公开ACID数据集上不同时期麦穗检测结果的对比分析,进一步验证了本文改进方法的优越性。（2）研究了一种基于DC-YOLOV3+FL的麦穗检测网络,在提高检测效率的同时保证了对较小麦穗的检测精度。首先为了降低网络计算复杂度,删去高层小特征图16×16大小的检测层,提高训练和测试速度;其次,在YOLOV3中添加了浅层特征图128×128大小的分支,并利用串联的空洞卷积块将其融合到输入图像8倍下采样的特征图中并输出为对应检测层,融合后的结果经过串联的空洞卷积块后,16倍下采样和32倍下采样融合后的结果再与其在通道级别上相加再输出为对应检测层;最后,引入Focal Loss损失函数,改善生成背景和目标检测框数量差异过大的情况。在公开ACID数据集三个不同时期麦穗检测的结果表明,改进的DC-YOLOV3+FL在提高网络检测效率的同时提升了对小目标麦穗的检测效果。在实验室采集的灌浆期麦穗图像上的检测结果进一步体现了改进方法的可行性。