玉米是全球总产量和平均单产最高的谷类作物,是世界最重要的粮食作物之一,而抽穗期是玉米生命周期内最为重要的时期,此时玉米的生长直接关系到玉米的最终产量,因此抽穗期玉米穗数量的监测是预估玉米的产量的关键指标。目前,大多数玉米穗计数任务都是基于目标检测的方法来实现的,其模型架构由深度学习神经网络构建而成,通过在特征图上滑动候选框来对目标分类是该类方法的主要目的之一。然而在神经网络训练过程中,面对目标高密度且重叠严重的场景时,对图像的整体区域进行检测所需要的庞大计算成本使训练过程变得异常困难。而玉米植株的高密度分布以及重叠在野外是普遍存在的,因此目标检测难以成为玉米穗计数的最优解。另外,目前基于深度卷积神经网络的玉米穗计数模型都面临者一个共同的问题,即在不同区域下玉米穗的计数性能会有所差异。因此,玉米穗计数方法面临很多挑战。针对上述问题,本文进行了如下几个方面研究:（1）提出了一种基于局部回归网络的玉米穗计数方法（0）),用局部回归解决玉米重叠的问题,而且对于计数而言回归比检测更具专一性。该方法以与Le Net结构类似的网络为骨干,后端网络加入计数模块与合并归一化模块,模块内部通过对局部密集采样的所有特征图进行回归计数,然后将所有的局部计数映射回原始图像,生成最终的计数图。实验结果表明该方法在公开的玉米穗数据集Maize Tassels Counting上的MAE/MSE分别为5.3/8.5,取得了优秀的性能,在另外两个具有综合背景（不同密度等级）的数据集上,也取得了第二好的计数性能。（2）在以上0)玉米穗计数模型的基础上,提出了一种基于密度等级分类的模型优化方案0),对玉米穗在高密场景下存在的高估以及在低密场景下的低估计数现象进行有效缓解。该优化方案的具体做法是,首先将0)作为骨干网络生成具有一定精度的高低两种密度图,其次让原始图像分别通过两个分支网络生成对应密度图的注意力掩码和比例因子,然后让它们相乘得到单独的基于注意力的密度图,最后将密度图相加得到最终的密度图。经过在三个数据集上的实验结果证明本文提出的0)能够缓解不同区域的计数性能差异,进一步提升计数性能。（3）设计与实现了一个抽穗期玉米穗计数系统,将本文研究的玉米穗计数模型应用于生产实践。该系统具有实现玉米图像自动计数功能,能将上传的玉米图像通过后台模型实现自动计数并将结果展示在前端页面上。系统总体结构如下:首先对系统的应用意义进行讨论,其次按照开发周期对系统进行需求分析至具体实现的开发流程,最后以可视化形式展示系统的部分功能。用户可以在前端浏览器上传待处理的图片,或键入如日期等有效数据,系统即刻根据需求来调用植物计数模型,或调用数据库查询,实时返回预测计数结果或历史信息数据。