水稻是重要的粮食作物之一,其产量关乎到人类的生存与健康。培育高产水稻一直是水稻育种研究的重要方向,其中水稻表型性状的测量是水稻育种研究中的关键环节。水稻表型性状主要包括粒型性状参数和穗型性状参数,其中前者包括谷粒数、谷粒面积、粒长、粒宽等,后者包括穗长、一次枝梗长度、在穗谷粒数等。传统的表型性状获取方法主要采用人工测量,劳动量大、效率低下、测量精度低。利用图像处理技术,可以提高测量效率和精度,易于实现自动化。本研究基于图像处理技术,设计了一种粒穗一体化性状测量平台,将粒型性状与穗型性状的测量集成到一个平台,可实现大多数粒型和穗型性状参数的精确测量。对于穗型性状参数中的在穗谷粒数,由于穗株谷粒之间复杂的粘连和遮挡情况,传统图像处理方法难以进行精确测量。对此,本研究提出基于深度学习的在穗谷粒数预测方法,利用全卷积神经网络,结合谷粒中心点标注方式,在不损坏穗株形态结构的前提下,实现了对完整穗株上的谷粒检测和计数。在穗谷粒数测量误差达到3.47%,满足测量误差指标。对于被遮挡的谷粒,传统图像处理无法测量其性状参数,通常会忽略这部分谷粒,对测量结果的完整性造成影响。本研究提出了基于深度学习的谷粒性状还原方法,模拟谷粒遮挡现象,设计自动标注方法生成训练样本,训练具有图像还原功能的卷积神经网络,将被遮挡谷粒图像的残缺部分还原。还原后的谷粒在形状和颜色上十分接近普通谷粒,可对其进行粒长、粒宽、面积等性状参数的测量。通过实验,对比了还原图像与真实图像之间的谷粒性状参数差异,对本方法在实际应用中的可行性进行了分析。本研究提出的深度学习穗株谷粒数预测方法,解决了谷粒粘连和遮挡问题。针对遮挡谷粒性状参数无法测量的问题,本研究提出的深度学习谷粒性状还原方法提供了一种有效的解决方案。