小麦种植面积和生产数量世界上占据第一位，是不可或缺的粮食作物。在世界上，有三分之一的人口以小麦做为主要粮食，在我国，小麦产量是整个农业的基石，在国民经济中也占据着举足轻重的地位。而选择合适的小麦品种并掌握其特性、准确预测小麦的分蘖率都对提高小麦产量有着重要的意义。传统的方法要求育种专家付出巨大的劳动量。因此，实现小麦的自动识别具有重要的实际意义。传统的小麦产量预测方法主要有：田间人工判断预测法、卫星预测法、自然条件和需求关系分析预测法、年景预测法等方法，这些预测方法虽然具有一定的准确度但是具有明显的缺陷：人工判断往往通过经验来判断结果，而个人经验或多或少的差异导致预测存在偏差；卫星预测使用卫星远距离拍摄，图像拍摄面积大，数据量大，适合宏观上的分析和归纳，对局部地区小麦的产量预测准确度低；利用气候与供给关系分析以及年景法进行预测以先前经验为基础，偶然性大，精度低，可靠性低。鉴于传统方法所具有的诸多缺点，为了提供给育种专家更可靠、便捷、科学的数据，本文提出将计算机多媒体技术应用在小麦产量预测当中，以数字图像处理技术为基础结合颜色特征、模式识别等领域的相关技术，研究小麦的颜色、形状、纹理等特性，并设计分类器对小麦图片进行计数识别。本文的主要工作如下：1．色彩空间选择。色彩空间包括RGB空间、YUV空间、HSV空间等，论文通过对处于乳熟期的麦穗所具有的颜色信息分析和实验对比，提出了以HSV空间色调信息作为麦穗的主要颜色特征，实验验证了使用色调信息可以在很大程度上剔除小麦照片中的背景。2．根据麦田的环境情况，设计了样本采集的方式和装置。对图像进行了预处理，并提出了一种基于HSV空间H分量的图像灰度化方法。3．设计了基于Adaboost麦穗识别算法，选取Haar特征并用积分图进行计算，详细描述了弱分类器的训练过程以及最终构成级联分类器的流程。最后通过实验证明Adaboost算法在无遮挡的麦穗检测上具有良好的识别能力。4．Haar特征只能对形状进行判断，没有考虑纹理特性，因此无法识别被遮挡麦穗。本文对Adaboost算法进行了改进，以综合纹理、形状的LBP特征来取代Haar特征，并结合麦穗的颜色进行麦穗检测。实验证明多尺度的LBP特征能更有效地描述形状和纹理信息，改进算法不仅提高了算法的检测速度，而且在麦穗遮挡，倾斜等情况下也可以进行检测，算法提高了检测能力，降低误检率。