粮食的生产是我国经济社会健康和可持续发展的重要基础,而现代化生活伴随着我国人们物质和精神生活水平的进一步提升,对于优质农作物（谷物）的需求也越来越大。在谷物育种的研究中,需要育种人员通过自身经验判断筛选出优良的谷物品种,这对他们有着严苛的操作和评价要求。传统的人工检测识别方法大都是依靠测量工具的实际测量,这样的方法不仅大大增加工作人员的负担,而且满足不了高效率和高精度的要求,这对于快速可靠地完成测量任务提出了极大的挑战。为此,本文在基于人工测量结果的基础之上结合计算机视觉和数字图像处理等技术,对晋谷21及其三个变种的谷穗图像分别进行了研究。实现了对目标谷穗图像中小穗的分割,能够对目标谷穗的小穗数、穗长、穗粗、穗重、穗粒重五种考种信息进行预测。本研究一方面可以作为图像分割技术在谷类作物上的一次尝试。另一方面,为运用计算机视觉和数字图像处理等技术处理谷类作物考种信息提供了参考和依据。本文的主要研究结果如下:1.采用分水岭算法和神经网络方法分割谷穗的图像,并对分割图像进行小穗边缘的圆弧检测,可根据图像自动检测出本侧谷穗图像的小穗个数。结果与人工计数的小穗数的相对误差最大值为12%。2.从得到的谷穗分割的图像结果中测量谷穗的穗长,穗粗和穗侧面积等形态参数,预测穗长与实际穗长之间的最大误差为7.3%;预测穗粗与实际穗粗之间的最大误差为9.1%。3.根据小穗在谷穗上排列的规律性,将实际人工测量得到的小穗个数与图像分割结果得到的单侧小穗个数进行拟合,从而对被测谷穗总小穗数进行预测。根据穗侧面积与人工测量的穗重和穗粒重分别拟合,预测出谷穗的穗重和穗粒重。谷穗的小穗自动计数是一个难以测量的问题,原因是谷穗的实际分割结果粘连比较严重,给测量带来了很大的误差影响,为了更好的解决这个问题本文在对小穗的计数采用先分割再计数的流程,不仅使用了分水岭算法和霍夫圆检测进行实现小穗间分割计数,还采用了多种深度学习方法与之对比,然后对实际结果进行分析得出结论。最后的研究结果表明,通过分水岭算法和霍夫圆检测处理,可以快速、准确地实现小穗计数,效果明显优于深度学习方法,对于今后实现对谷物的自动化测量提供了坚实依据。