小麦作为我国重要的粮食作物,其产量预测方法也有很多,单位面积穗数统计是估产的重要组成部分,本文研究对象为成熟期小麦,此时小麦接近收割,为整个生长周期的最后阶段,排除受其他(天气、虫害)小概率减产条件影响,对此时麦田图像自动计数,进而进行产量评估接近收获产量,较人工评估更准确快捷。针对自然条件下麦田图像背景中有部分杂草,麦穗变黄与茎叶土地从颜色角度不易区分,如何有效分离背景识别小麦成为本文研究重点.为解决小麦拍摄图像背景噪声大,本文以2018年5月底商丘农科院基地监控采集的200张麦田图像人工挑取30幅作为研究对象对采集图像进行预处理使图像得到增强后,先利用颜色特征分离杂草,再利用纹理特征进行麦穗识别,最后基于角点进行麦穗计数。对大田图像中杂草采取基于hsv颜色空间下h通值,经阈值法分割,并对分割效果进行评价,得出杂草分割准确率97.8%;再利用纹理特征对去除杂草的图像进行麦穗识别,将图片网格化划分小像素块,提取不同类别(小麦、茎叶、土地)基于灰度共生矩阵的四个纹理特征值进行分析,利用改进的k-means算法对纹理特征值聚类识别麦穗;通过形态学处理提取麦穗骨架,基于Harris角点检测计数后对比人工标记数量并分析结果。最终得出麦穗识别计数准确率为94.65%。本文研究方法可给其他农作物的识别及分割提供思路,为农作物远程信息管理系统提供支持;研究结论可为复杂田间环境中小麦估产提供指导和依据。