黄瓜作为一种重要的蔬菜作物,在全球范围内广泛栽培。黄瓜种植一般采用工厂化穴盘育苗,对生长过程中形态参数的监测可以为幼苗培育和生长环境参数调控提供参考依据。当前种苗表型检测方法多依赖于传统的人工测量,人工测量存在效率低、判断主观、测量误差大、易损伤种苗等问题。表型测量技术的滞后严重阻碍了育苗领域的现代化发展。因此,需要研究一种高通量自动化种苗表型检测技术,实现对种苗生长过程中表型参数的无损测量,达到智慧化工厂化育苗的需求。本文以黄瓜幼苗为研究对象,自主搭建了种苗图像采集平台,提出了一种基于RGB-D相机的黄瓜幼苗器官分割检测以及表型测量算法,本文主要内容有以下三个部分:（1）设计了一套自动化的RGB-D图像采集系统。针对大批量种苗表型检测的需要,结合Azure Kinect深度相机性能的分析,设计并搭建了适用于单株黄瓜幼苗的自动化图像采集系统,该系统由硬件结构和系统软件两部分组成。硬件结构包括4040铝型材框架、输送机构、直线导轨、末端执行器、STM32控制电路等。系统软件部分基于Lab VIEW开发,将算法代码集成,控制装置运动和相机工作,实现黄瓜幼苗表型参数智能检测及数据自动存档。同时该系统可对相机作多高度、多角度和多距离的调节,适应不同生长时期、不同大小的种苗,通量达到60株/时,拍摄成功率大于93%,不仅减轻了图像数据采集的工作强度,还提高了黄瓜幼苗表型检测的效率。（2）基于二维图像的黄瓜幼苗器官分割。使用Azure Kinect相机拍摄黄瓜幼苗俯视、侧视两个视角的红外图、彩色图以及深度图。通过U-Net网络分割俯视视角黄瓜幼苗红外图,提取黄瓜幼苗植株,相比于传统的阈值分割算法,分割准确性更好,鲁棒性更强。将U-Net分割得到的二值图与对齐图（彩色图转换到深度图下）掩膜,生成只有黄瓜幼苗的对齐图,利用Mask-RCNN网络进行叶片分割,获取单独的叶片,IOU（分割结果与真实结果区域面积交并比）均在0.91以上;使用YOLOv5s网络检测黄瓜幼苗生长点,置信度为0.5的情况下单株黄瓜幼苗的生长点目标预测全部正确。侧视视角的红外图和彩色图采用相同操作基础上,得到仅含黄瓜幼苗的对齐图,利用Mask-RCNN网络进行黄瓜幼苗冠层和胚轴的分割,IOU均在0.90以上,具有很好的分割效果。（3）黄瓜幼苗表型计算方法。利用深度图,结合各器官图像,生成了系列黄瓜幼苗器官的三维点云。通过Mask-RCNN实例分割网络获得叶片数量;通过椭圆拟合判定子叶是否存在遮挡,利用IP-basic算法对遮挡的子叶,恢复缺失的深度信息,实现叶片点云补全,将补全的点云与完整点云通过点云三角化计算叶面积和叶片周长;通过RANSAC算法拟合叶片点云计算叶倾角和叶片卷曲度;通过最小外接矩形计算下胚轴长度、下胚轴直立度以及茎粗;设计黄瓜幼苗生长点识别算法检测子叶节点位置信息计算株高;利用点云的AABB最小包围盒计算苗高。对黄瓜幼苗的叶面积、叶周长、下胚轴长、茎粗、株高、苗高进行表型测量,结果显示,三个时期的叶面积相关系数~2均在0.91以上,均方根误差分别为0.245mm~2、1.002mm~2、1.143 mm~2,平均绝对百分比误差分别为4.224%、9.619%、11.098%。叶周长~2均在0.92之上,低于3.83mm,小于5%。下胚轴~2均高于0.91,低于1.12 mm,小于4.62%。茎粗~2分别为0.83、0.87、0.92,低于0.16 mm,分别为6.61%、5.24%、4.15%。苗高~2均在0.92以上,在3%内,在1.5mm内。株高~2均在0.90以上,在4%内,在2mm内。针对黄瓜幼苗的三维表型检测需求,本文提出的基于RGB-D相机采集两个视角的黄瓜幼苗图像数据,结合传感器缺陷和黄瓜幼苗生物特征对黄瓜幼苗图像分割、点云补全和智能表型检测进行了新的研究探索,实现了黄瓜幼苗关键表型的全面精确测量。该研究可以为其它单株种苗的关键表型参数获取提供有效的解决方案,并为育苗相关研究提供重要的基础数据,具有一定的应用和推广价值。