烟草是中国主要的经济作物,中国烟草产业对国家和地方经济建设起到至关重要的作用,尤其在中国西南部高原山地地区,种植烟叶是当地助推贫困人口脱贫、农民增收致富的重要手段。烟草精细化管理在烟草种植中尤为重要,烟株数量以及空间分布信息的准确掌握能够为后期的施肥、灌溉和虫害防治提供依据,还能对烟叶产量精确预估。目前,烟株信息的统计仍就采取人工实地调查清点,但烟草种植区域多为高原山地,地形起伏较大,而且种植区域较大、分布相对分散,这种方式工作效率低,人为主观性强。为降低人工成本,提高烟株计数效率,本文基于无人机可见光波段影像,结合深度学习算法和图像处理技术,提出烟草种植面及烟株自动提取和计数的方法。主要研究内容:（1）基于U-Net和连通性增强算法提取烟草种植面。针对传统面向对象方法提取烟田面自动化程度低、提取精度低以及提取过程繁琐等缺点,提出一种基于深度学习的烟草种植面自动提取方法。利用无人机影像数据制作数据集,并进行归一化、数据增强等预处理,使用U-Net语义分割网络对数据集进行训练和预测,提出一种去小图斑及填补孔洞连通性增强算法修正预测结果,实现烟草种植面的自动提取。结果表明,提出方法能够有效提取烟草种植面,其分割指标平均交并比（mean Intersection over Union,mIoU）为98.24%;（2）融合植被指数提取烟草种植行。为了精细提取烟株,消除背景地物对烟株提取的干扰,根据烟草光谱信息构建过绿差值指数（Excess Green Difference Index,EGDI）。在烟草种植面提取的结果上,结合过绿指数（Excess Green,EXG）和过绿差值指数的特性和优势,去除其他非烟草地物,提取烟草种植行,便于后续的烟株提取;（3）结合超像素和距离变换算法提取烟株。在烟草种植行提取的基础上,利用简单线性迭代聚类算法（Simple Linear Iterative Clustering,SLIC）对烟草种植面进行超像素分割,针对分割中出现的错分现象,提出基于欧氏距离和基于坐标分量的距离变换的算法对错分的烟株进行校正,最终实现烟株提取和计数。结果表明,使用两种距离变换方法最终提取的烟株数目与实际数目相差较小,平均总体精度均在97%以上,错分和漏分情况相对较少,平均准确度均大于94%,提出方法自动化程度高,提取精度满足实际生产管理需求。