植物表型参数是作物品种选育中判断品种优劣的重要依据。然而现有的植株表型测量方法大多依靠人工完成,费时费力同时测量误差大,而基于图像的表型测量往往造成信息丢失。植株三维模型是植株表型高精度自动化测量的重要手段,是模拟作物生长过程的重要基础,同时三维重建几乎不丢失植株的三维形貌信息。植株形态复杂多变,柔性易变形的特点使得植株三维重建和拼接较为困难。植株叶片、果实、茎秆等器官相互交错遮挡使点云数据配准和表型测量较为困难。植株三维点云模型分割是使用植株三维模型进行表型测量重要手段,复杂的、非标准化的植株三维模型分割缺乏高效算法。因此为了缩短作物育种时间提高作物表型测量精度,研究植株三维点云模型重建方法,开发高精度植株点云分割算法是很有必要的。本文基于投影仪与相机构建了格雷码编码的线结构光三维扫描设备,并基于上述设备设计开发了基于转台的小型植株三维重建平台和基于多视角的大尺度植株三维重建平台。实现了小型植株的高精度三维点云获取,解决了大尺度植株缺乏进行有效三维重建方法的问题。本文提出了一系列算法用于上述平台获取的植株点云序列的拼接。针对基于转台的三维重建平台点云拼接,提出了简易高效的转台转轴标定算法,并给出了转轴位姿的解析解。针对基于多视角的三维重建平台点云拼接,使用二维靶标和三维靶标实现不同结构光扫描设备位姿和移动平台移动方向标定。使用上述标定结果实现点云序列的粗拼接,并结合ICP算法实现植株点云的高精度配准。最后开发了基于GPU加速的植株点云拼接软件,用于上述平台的相关标定与植株点云拼接。使用基于主动视觉的方法,实现植株遮挡信息的补全。设计了基于主动视觉的遮挡信息补全方案,采用六轴机械臂搭载相机并进行手眼标定作为主动视觉设备。基于Harris角点的SHOT描述子进行匹配,使用3D霍夫变换对果实识别并计算机械臂末端位姿。通过机械臂末端相机完成遮挡信息的补全。研究了植株三维点云分割问题。使用DBSCAN方法和三维区域生长算法对植株三维点云进行了叶片分割。针对稻穗点云的分割,制作了稻穗点云数据集。基于3D点云卷积/反卷积设计了用于植株点云分割的卷积神经网络。通过实验与其它神经网络模型进行对比,证明了设计的模型对稻穗点云分割的准确性。本文提出的植株三维点云重建方法与植株器官分割方法对于植株的生理生态结构分析、表型测量与植株的栽培品种选定有重要意义。