本文以广泛栽植于我国北方的代表性树种杨树（Populus）作为研究对象,开展针对林木根系的检测技术研究。根系的形态与土壤分布对于林木生长发育具有十分重要的意义。掌握林木根系在土层中的分布规律和形态,对于研究林木生长变化、分析林木对土壤水养资源利用机制、生态系统的碳循环、水文过程等生物地球化学循环,挖掘林木在生态服务方面发挥的功能作用具有重要的科学意义。目前比较常用的土钻法、挖掘法等传统林木根系研究方法的试验过程复杂、成本高、可重复性弱,且对根系造成损伤。而运用微根管法可以连续、实时、无损地观察根系的动态生长过程,但是,目前使用的微根管法,后期处理仍需要大量人工参与如筛选根系图像、标注根系要素、统计数据分类等后期处理工作,导致了微根管法自动化程度弱。同时,由于人工劳动的介入,导致后期数据分析效率及准确性较低。林木根系的复杂性和不规则性等,导致针对林木根系自动化检测和图像信息化的研究成果并不多。因此,本文基于微根管和图像处理技术,提出了一种基于微根管图像的根系检测技术,在较大尺度林木根区内,解决了复杂环境下林木根系检测的关键问题,实现了根系图像的自动化、批量化处理,达到了对不同土层空间中根系生长无损动态数字化监测目的,为根系形态学研究提供了一种新方法和新思路,主要研究内容和成果如下:（1）设计并实施了林木根系图像原位采集试验,为自动化处理根系图像奠定基础。将图像处理技术与传统林木根系研究法相结合。针对三倍体毛白杨（Populus tomentosa）林分,设计了灌溉处理（Full irrigation,FI）、亏缺灌溉处理（Control irrigation,CI）和不灌溉的对照处理（Control check,CK）等3种灌溉处理方案,在根区内形成不同土层水分梯度,并各选择1株样树（共计3株）,探索根系对不同灌溉处理的生理响应;于样树附近以相同的行间距分别布设4行2列共计8根微根管（微根管各设置45个观测点）,拍摄时序下各观测点的有效根系图像40000余张（含无根系图像）并进行分类、剪裁和图像人工标定等工作;采集3棵样树自微根管试验之初至今的叶面积指数变化数据。通过此试验法将水分梯度、根系变化、叶面积变化3个林木生长重要特征结参数相结合,为根系图像自动化处理奠定了基础。（2）提出了一种基于形态学改进的模糊C均值根系分割法,提高了图像处理效率。针对采集的杨树根系原位图像,研究提出了一种基于形态学改进的模糊C均值根系分割方法,根据图像灰度-梯度信息,通过遍历求解的方式区分目标根系和背景。针对沙粒遮挡、孔隙吞噬等现象,结合形态学运算对根系结构进行填补操作,以消除微根管图像中土颗粒、小石块、孔隙等影响,保证分割出根系结构的连通性,与大津法（OTSU法）、模糊C均值聚类法（FCM法）、K均值聚类法（K-means法）等进行定性与定量分析比较,结果表明,基于形态学改进的模糊C均值根系分割方法能够批量实现不同形态的林木根系分割,但分割准确率仍需提升。此方法解决了林木根系依靠人工标注、单图测算等低效作业短板,初步实现了林木根系的无损化、自动化、批量化检测。（3）提出了基于生长显著性的自适应神经网络根系分割法,提高了图像分割准确率。平衡了全类型根系自动、高精度分割的难题,实现了全类型林木根系的最优分割。受林木根系生长复杂性和根系形态不规则性影响,运用传统分割方法均存在一定程度过分割和欠分割情况;考虑到增强分割方法应对不同林木根系图像的鲁棒性和泛适性要求,采用深度学习中FCN、U-Net和Deep Lab V3+等3种网络结构进行林木根系分割试验,验证了神经网络方法具备更高的分割准确率,但仍没有解决全类型根系分割的问题。在此基础上,针对样树根系生长发育初期、成熟期、衰败期等3个重要生长阶段的根系外表层颜色显著性,提出基于生长显著的自适应神经网络根系分割法。结果表明,新的网络结构通过预先判断根系生长显著性,自动选择最优分割网络模型,获得最准确根系分割结果,其分割正确率平均为96.45%,比单独使用U-Net网络和Deep Lab V3+网络的根系分割性能更佳。（4）验证了根系检测技术的稳定性。运用基于生长显著性的自适应神经网络根系分割法对自2019年4月始采集的微根管根系图像进行分割,研究并提取了根系形态学特征参数。为了验证根系检测技术的稳定性,分析了根系形态学特征参数与田间观测数据叶面积指数（LAI）的相关性,结果表明,两者呈现良好的规律性和相关性,与森林培育田间管理经验一致;分析了3种滴灌处理下根系对不同水分梯度的生理响应。从多个角度完成了根系检测技术稳定性的验证,研究成果为林木根系形态学研究提供了方法。