近年来,现代信息技术的迅速发展为农业、生命科学等学科的检测监测需求提供了新的技术手段。植物表型组学是在此形势下提出的,并在农业领域的迫切需求下迅速发展。但与进展更为迅速的植物基因组学相比,植物表型测量技术相对滞后,成为阻碍植物育种进程的瓶颈。因此,高通量、高精度和无损的植物表型监测系统的研究已成为现代农业领域的关键问题。由于植物物种的多样性,以及植物本身具有不规则的形态结构,在植物冠层中存在植物个体、植物器官之间相互遮挡严重的问题,而且植物生长的环境复杂,从二维图像上提取植物表型特征会受到诸多限制。因而,基于三维信息提取植物表型特征是现代数字农业的热门研究方向。本文从三维点云数据获取及其处理、三维点云深度学习两个方面来对植物表型参数获取进行研究,主要工作如下:1.提出了一种基于多视角图像的作物群体三维点云重建和表型参数提取方法。该方法以黄瓜群体植株为例,目标是获取植株群体中每个植株的株高、叶长和叶宽等表型参数。首先通过数码相机获取作物群体的多视角图像,再使用SFM-MVS（运动恢复结构-多视图立体视觉）方法重建带有颜色信息的三维稠密点云;使用滤波降采样的方法对获得的点云数据进行预处理,并使用随机采样一致性算法去除地面点云;使用欧氏聚类以及区域增长算法来分割点云,最后得到作物叶片的点云数据;经过三角化重建叶片点云表面,通过投影计算的方式获取叶长和叶宽等植物表型参数。实验结果表明,计算值与人工测量值高度相关（R2=0.80～0.93,RMSE=0.79cm～1.36cm）,这表明SFM-MVS方法为快速、低成本测量植物形态参数提供了可行的解决方案,无需复杂的校准过程。2.开展了基于深度学习的植物三维点云自动分割技术研究,实现了从作物群体中分离单株作物和从单株作物中分离叶片器官。首先通过SFM-MVS方法重建得到群体的三维点云,然后对三维点云进行人工标注。最后通过训练基于三维边界框回归的点云实例分割网络来完成上述两个场景的分割任务。此外还通过三维点云旋转方法进行数据扩充。实验结果表明,本文使用的方法能获得较好的群体植株分割和器官分割结果。在黄瓜单株叶片分割的测试中,最佳平均精确率为0.809,平均召回率为0.884;在植株群体单株分割的测试中,最佳平均精确率为0.875,平均召回率为0.897。