水稻稻穗的结穗率、结实率等性状的表征对水稻产量计算和遗传性状分析具有重要意义,往往人工测量方法劳动量大,效率、精度偏低,而基于机器视觉的稻穗表征需要通过人工展开稻穗,效率低,也无法对结实情况进行检测,针对此类问题,因此开展X射线计算机断层成像技术(Computed Tomography,CT)在水稻穗部性状表征方法的研究,有一定工程应用价值。本文首先对CT图像中稻穗各部分的特征进行分析,然后对稻谷穗部枝梗连接以及本身重叠致使无法准确计数的问题,开展了相应的穗部性状表征方法研究,利用距离变换分水岭算法分割稻谷,去除稻谷间重叠及穗部枝梗;根据稻谷结构的空间连续性,分别进行稻谷与米粒的三维提取,从而实现性状表征;针对稻穗结构存在多样性,无法同时满足所有稻穗分割与提取的问题,研究了基于Mask R-CNN(Mask Region-based Convolutional Neural Network)算法的水稻穗部CT图像特征提取与识别方法;根据分割结果中稻谷掩码特征,提出了三维空间提取稻谷的算法,实现性状表征。基于深度学习算法中分类的原理,研究了识别秕谷的方法。针对八组不同的稻穗,分别采用上述两种方法进行性状的表征。实验结果证明,X射线CT的性状表征方法可以采用无损检测方法对稻谷进行识别、计数,秕谷识别功能,实现水稻结实率的表征。同时采用的Mask R-CNN算法,具有通用性,能够自动实现不同稻穗的性状表征与识别。