近年来，基于图像处理的植物表型分析已成为农业计算机视觉的热门应用领域。植物表型与不同环境条件的关系的研究对于理解植物功能至关重要，鉴定和评估相同作物的不同品种间的表型差异是育种学家们关心的重要问题。表型作为作物生长经历的真实条件下的评估，对于性状特征提取和表型分析有着深远影响。因此，能够实现作物在单株尺度上的图像自动处理和高精度表型参数提取对于表型解析工作具有重大意义。实际上，现阶段我们对于表型组学及其功能的理解的新瓶颈在于缺乏可靠的自动化方法来从庞大的数据集中提取准确的信息，因此我们必须加快数据解析和高通量表型提取算法的开发和部署。
　　然而，从计算机视觉的角度来看，想从田间单株作物尺度上提取表型信息的捷径就是图像分割，良好的分割结果可以帮助快速、准确地获取植株的各种表型参数。对于植物分割，最开始的思路是从背景中分割感兴趣区域，这样的方法可以应用于病害识别、环境胁迫分析、叶绿素诊断以及表型提取等。研究人员使用深度学习技术将深度图与多视角图像结合使用以进行有监督或无监督分割，正地实现了高通量地图像处理。训练成熟的模型在分割过程中，不同光照强度以及不同复杂程度的背景对于分割结果影响不大，且这样的方法在诸如基因型——环境型——表型的协同分析应用中同样具有优势。
　　为了提高植物叶片表型提取的效率和准确率，本研究以全卷积神经网络U-net为基础，对模型框架和主要函数进行优化，设计出全新的全卷积神经网络。用来实现植物叶片图像自动分割，并在分割结果中进行相关的特征参数提取工作。结果表明，改进的模型在不同叶片大小、不同光照条件、不同背景以及不同品种植株叶片都有很好的分割效果，像素的分割精度达到0.94。与传统方法相比,基于全卷积神经网络的植物叶片分割方法实现了高通量地图像分割，并且具有很好的鲁棒性。方法的提出预期为无人机和田间表型平台获取的顶视图像处理及表型提取提供关键技术支撑和实用工具。