水稻作为我国主要的粮食作物和重要的经济作物,可持续增产一直是水稻育种研究的首要目标。随着我国人口数量的迅猛增长,稻米的消费量也越来越高,人多地少的现状还很难在短时间内得到缓解,因此,高产品种水稻的选育也就成了田间水稻研究的重点。传统的田间水稻产量测量方法大多采用的是有损的方式,即水稻收获后,进行脱粒,扬净,晒干和称重等一系列步骤,然后折算出最终的产量。该方法耗时耗力,并且操作中极易由于操作失误而引入人工误差。而无损估产的方式大多采用田间气象模型或者光谱指数法,通过提取具有代表性的气象特征或者光谱因子,然后构建合理的产量预测模型,但该方法的计算量较大,且需要依赖大量的外部数据支撑,实用价值不高。因此,快速而精准的田间水稻估产仍然是现阶段水稻研究的重点。本论文提出了一种基于图像的田间水稻产量预估新方法。稻穗作为水稻重要的营养生殖器官,稻穗的穗长、穗粒数等表型性状与其最终产量息息相关。因此,在基于图像的水稻产量预估研究中,稻穗区域的精准分割是产量预估的前提,也是最为关键一步。本研究首先采用数码相机获取田间不同角度的水稻小区高分辨图像,然后利用深度学习技术设计并提出了三种不同的稻穗分割算法(即:Panicle-SEG,Panicle Net和Panicle Net v2),比较了三种分割算法在稻穗分割精度,召回率,F值,交并比和效率等方面的优劣,同传统的分割算法相比,基于深度学习的分割算法展现出了优良的分割性能。对于分割好的水稻小区稻穗图像,本文从三个角度进行了稻穗的特征提取。首先是基于小区的尺度,重点提取了稻穗小区在颜色,纹理,形态以及一些尺度不变的特征描述。然后考察了单一稻穗的细节图像特征,提取了稻穗的穗长和稻穗面积。最后分析了单株水稻的谷粒考种特征。本文的稻穗特征提取角度多样,更加全面的提取了稻穗的特征描述。针对提取到的大量稻穗特征,本文探讨了基于多种特征自变量组合情况下的回归模型构建方法。尝试了包括线性和非线性模型在内的不同模型构建形式,分析对比了各个产量模型在回归性能优劣。从最终的产量预测结果来看,基于图像的无损水稻估产方法为精准的早期稻田估产提供了可能,并且其为深度学习技术在农业上的应用提供了成功案例。这种早期的水稻估产,使得农户能及时了解不同水稻田块的产量丰缺情况,调整管理和培育措施,总结经验与不足,分析影响产量的主要因素,为水稻测产和育种研究提供了一种新思路。