根系是植物与土壤间能量交换的重要桥梁,准确获取原位根系的完整构型,对探索其发育规律、明确功能机制具有重要意义。受观测手段限制、土壤颗粒遮蔽以及根系残缺等影响,精确获取高通量根系表型信息较为困难。随着高新观测技术与深度学习的高速发展,如何在复杂土壤环境的干扰下精确分割出完整的根系构型,使根系表型分析结果最大程度地接近实际生长情况,是自动化表型分析领域面临的重要挑战。本文以棉花为研究对象,在自制的原位根系生长装置成像基础上引入深度学习方法,结合语义分割与超像素理论,提出了基于亚像素卷积的SP-DeepLabv3+网络,用于实现棉花原位根系表型的无损实时、完整精确分割,为高通量原位根系表型研究提供理论和技术支撑。本文按照“原位根系成像—棉花原位根系数据集建立—像素级语义分割方法—根系自动分割平台”的逻辑主线展开研究。（1）设计了一种基于数码成像的低成本棉花原位根系生长装置。在满足棉花植株生长需要的同时,能够实时、无损、高通量地获取棉花高分辨率二维图像,并建立样本数据集。（2）针对深度学习语义分割网络在图像分割领域的算法特点,分别从模型结构、算法原理和网络超参数设置等方面进行分析讨论,结合超像素领域的PixelShuffle思想,提出了一种基于DeepLabv3+的棉花根系图像自动分割方法。采用亚像素卷积层替代原网络的双线性插值上采样方式,增加额外插值函数并隐含于卷积层,随网络迭代逐渐学习调整适应本任务的插值函数,最终通过周期筛选输出分割图像。经过80epochs的训练,基于亚像素卷积的SP-DeepLabv3+最终验证集F1-score,recall和precision 分别为 0.9773,0.9847 和 0.9702,性能优于标准 DeepLabv3+与 U-Net 网络。（3）采用WinRHIZO对SP-DeepLabv3+和传统手工描绘分割的161张根系图像进行数据量化分析,获取根系根长、表面积、体积和平均直径四项表型参数用以对比评估。分析结果表明,与手工分割的根长参数相比,SP-DeepLabv3+的分割结果具有较高的Spearman等级相关性0.9667（p<10-8）,R2=0.9449,但在根表面积、根平均直径和根体积三种表型参数分析结果中仍存在误差。（4）构建了棉花根系图像高通量自动分割平台。结合本文提出的数码设备成像装置与根系图像分割方法,实现了端到端的棉花根系图像自动采集、分割与储存等功能,显著降低了传统手工或半自动根系表型分析的复杂度,提高了分割精度与效率。本研究为植物表型自动化分析提供了新的研究思路和方法,研究结果将提升原位根系图像分割精度,解决传统根系表型分割效率低、操作复杂和受土壤环境干扰较大等问题,为深度学习和植物表型的交叉融合研究提供了实际应用参考。