玉米作为世界上重要的粮食作物和经济作物,用途十分广泛,在各个领域都具有极高的研究价值。作物产量是作物研究中最重要的问题,也是研究学者们最关心的问题,实现玉米产量的估算主要是根据实际种植株数以及果穗数量等信息来完成,但传统的玉米种植株数及果穗数量统计仍然停留在人工阶段,时间成本和人力成本较高,且对作物具有一定的损伤性,渐渐不能满足当前发展。随着信息化时代的到来,数字农业,智慧农业等概念逐渐成为主流研究方向,激光点云技术由于其高精度的三维场景复现能力及其无损性和实时性已经成为了农业领域的重点研究方向。基于玉米自身的非刚性特征,在农田环境下进行激光扫描获取的三维点云数据精度会受到风速环境因素的影响产生不同程度的分层现象,因此需要对不同风速环境下采集的数据精度进行分析。如何对扫描获得的玉米群体点云数据进行精度校正,减少分层现象是玉米种植株数识别和果穗识别的前提。本文基于激光测量技术,对农田环境下玉米群体点云数据采集、数据精度分析、非刚性配准、株数提取和果穗识别展开研究,论文的主要研究成果如下:（1）玉米群体点云数据获取及配准:针对玉米群体生长状态及特征,设计了一种基于玉米高度的四站式扫描方法,实现多视角下玉米群体点云数据的获取,并提出一种基于标靶球自动提取的刚性配准方法,获取了完整的玉米田块点云数据。（2）玉米点云分层现象研究及非刚性配准:针对风速对采集的玉米点云产生的影响,本文分别基于玉米叶片和玉米茎秆的分层特征对点云分层现象进行研究,分析结果表明,玉米叶片分层程度与风速呈正相关,且分层区域随风速增大逐渐向下扩散,在风速为1.2m/s时开始出现分层,在风速为3.1m/s时发生整体性分层。风速在1.2m/s以下时,茎秆未发生明显偏移,在风速为3.1m/s时茎秆发生剧烈晃动,此时数据无实用价值。针对上述分层现象,本文提出了一种Laplace网格形变非刚性配准方法,实现了多站点扫描点云数据的变形配准。结果表明,不同风速情况下非刚性配准后平均分层距离和距离方差明显降低,该算法针对性的解决了有风环境下的数据配准问题,为作物分割和识别提供了数据基础。（3）玉米群体种植株数识别及果穗识别:本文提出一种农田玉米种植株数数目识别方法,通过提取玉米茎秆对玉米种植株数进行统计,结果表示:该方法对玉米种植株数的识别率达到86.1%—92.1%,为作物的估产提供数据基础。针对群体状态下玉米相互遮挡严重且玉米果穗无规则几何特征和颜色特征,无法直接实现果穗的识别,本文提出一种基于SVM的玉米果穗识别方法,采用基于曲率的距离分割算法对玉米群体数据进行果穗分割,对分割后的数据以1:1的比例随机选取训练集和实验集进行SVM训练和分类,完成果穗的识别,结果表明:果穗识别率达到88.3%-98.9%,为果穗计数及果穗精细化研究等提供理论基础。