小麦是餐桌上常见的主食原材料之一，多种植于我国北方。围绕小麦进行科学研究已经有相当长的历史，并涉及到育种、生理分析和基因分析等方方面面。随着表型研究的发展与完善，对小麦进行表型分析，进一步挖掘其基因与遗传方向的规律成为小麦研究中的一个重要方向。麦穗是小麦重要的部分，其生长发育对小麦育种以及最终所得产量等具有决定性作用。因此对小麦植株进行综合分析的同时，关注麦穗生长发育的一系列变化也具有多个方面的重要意义。
　　为了研究麦穗部分的表型性状，首先就是要将图片材料中的麦穗从整个植株中完整和精确的分割出来。本文基于来自NIAB拍摄的八亲本MAGIC冬小麦种群生育期的图片材料，首先提出了建立在深度学习理论上的一种盆栽小麦麦穗分割方法，经过训练与测试以及结果优化三个阶段的处理后，通过精度，召回率，F值以及交并比(IoU)四个参数衡量分割效果，经测试后发现该算法四个参数平均能达到0.8以上，具有一定的分割精度和较强的分割性能。
　　在精准分割麦穗后，本文进一步对麦穗进行了表型数据的提取。提取的表型参数主要涉及生物量相关、颜色相关、灰度直方图纹理、形态相关和灰度-梯度灰度共生矩阵描述5个方面，一共39个参数。本文详细说明了各个性状的提取方法以及反映的实际意义，并融合C++程序编写，将各个参数提取流程最终集中为一个综合的LabView程序，该程序分为路径输入、中间结果显示和结果输出等部分，最终将提取得到的所有表型参数按照图片编号顺序依次写入Excel，操作简便，效果直观。得到性状表格后，为了消除噪声等误差带来的影响，对小麦的始穗期进行了人工判断，进一步对性状表格进行了日期校正。
　　在得到表型参数数据后，首先通过对比人工数据与自动检测数据之间的相关性，对表型参数的可靠性做出了评估。在得到肯定结论后，首先使用与产量相关性最高的性状TPA_MM_S进行了产量预测，最终发现线性模型预测效果最佳，并基于线性模型进行了10折交叉验证分析，然后分别利用麦穗所有表型性状，以及麦穗性状与整株性状相结合的方式，采用线性回归的方式对产量进行预测，以VIF<10作为性状不具有共线性的判断依据，结果显示结合使用二者进行产量预测的结果优于单独使用麦穗性状。本文还通过对YTR_S参数的分析说明了高产品种与低产品种在麦穗生长发育期间的差异，随后，对每一盆小麦的TPA_MM_S-spikegrowthdays曲线分别使用线性、二次项、指数、对数、幂函数、高斯函数和三角函数进行了模型拟合，最终发现三角函数具有最佳拟合效果，并能通过三角函数的参数反映麦穗生长发育的实际意义。最后，本文利用收获指数、产量与最佳生长模型中的参数b进行排序和横向对比，挑选出了生育期短，收获指数大和产量高的品种，为筛选优良品种提供了参考意见。