水稻秧苗茎秆具有支撑谷物、运输水和营养盐、存储营养物质和水、适应生长、自我修复、光合作用等多种功能,其多尺度结构特征是研究秧苗生长特性、抗逆能力和生物力学性能的重要依据,而高分辨率的水稻秧苗茎秆三维微观结构模型是开展深层次研究的基础。由于水稻秧苗茎秆是高含水率且具有多孔层次性结构特征和非均质各向异性材料属性的生物复合材料,以往的三维建模方法存在损耗、不可重复、精度低等问题。目前,微型计算机断层扫描（Micro-Computed Tomography,Micro-CT）技术可以原位无损获取植物组织多尺度结构特征,但使用此技术资金与时间的成本较大,急需找到一种方法可以快速、大量生成水稻秧苗茎秆Micro-CT图像的三维微观模型结构。因此,开展基于Micro-CT的水稻秧苗茎秆微观三维建模的研究具有重要的学术研究价值和实际意义。本文针对水稻秧苗茎秆截面Micro-CT图像的质量和三维建模问题,以创两优水稻38天、40天、42天和44天的幼苗茎秆为实验对象,主要开展了以下研究工作:（1）在获取水稻秧苗茎秆截面Micro-CT图像时,为了获取分辨率较高、对比度明显的水稻秧苗茎秆截面微观图像,在水稻幼苗茎秆培养液中添加了适量的造影剂-碘化铯,并在Micro-CT扫描时选择了低剂量的X射线,导致获取的Micro-CT图像出现大量的噪声和伪影,影响Micro-CT的水稻秧苗茎秆微观三维建模的精度。针对存在的噪声和伪影问题,本文提出了一种基于自适应组稀疏残差的水稻秧苗茎秆截面Micro-CT图像去噪算法。首先采用非局部均匀滤波初步去除原始Micro-CT图像中的噪声;接着通过滑动窗口将原始Micro-CT图像划分成多个图像块;再结合图像块间的结构相似性确定搜索目标图像,采用K近邻算法（K-Nearest Neighbors,KNN）在目标图像中自适应搜索相似块,获取自相似块矩阵。最后,采用基于组稀疏残差的图像去噪算法及拉格朗日乘子优化算法,求取最优稀疏系数。基于上述算法提高相似块组精确度,尽可能保留图像的细节特征,有效去除水稻秧苗茎秆截面Micro-CT图像中的噪声。（2）针对现有生成对抗网络（Generative Adversarial Networks,GAN）对水稻秧苗茎秆Micro-CT图像微观三维建模鲁棒性差的问题,提出了一种基于改进GAN的水稻幼苗茎秆微观三维模型。首先基于改进GAN的深度卷积生成对抗网络模型（Deep Convolutional Generative Adversarial Networks,DCGAN）搭建本文网络模型所需的生成器与鉴别器网络模型;接着改进深度卷积生成对抗网络模型,去除原始判别器最后一层sigmoid激活函数,并将基于动量的优化算法Adam换成RMSProp,获取本文网络模型。最后,改进生成对抗网络模型损失函数,通过引入Wasserstein距离衡量由生成器生成的水稻秧苗茎秆结构Micro-CT图像与真实图像的差距,获取本文网络模型的损失函数。由此解决GAN对水稻秧苗茎秆Micro-CT图像微观三维建模时判别器越好,生成器梯度消失越严重;判别器越好的情况下,生成的模型多样性不够;训练困难,生成器和判别器的loss无法指示训练进程等问题,提高三维估计模型的精度,生成基于Micro-CT图像的水稻秧苗茎秆微观结构三维模型。