【摘要】 传统的大豆种质资源耐盐性鉴定方法存在鉴定周期长、鉴定效率低、精准度低等诸多缺陷，不符合现代高通量表型鉴定的需求，且极大地限制了大豆耐盐种质的挖掘与利用。研究以434份大豆材料为研究对象，设计对照和盐处理2个处理，采集大豆苗期的RGB图像，构建了基于结合通道选择和空间注意力机制的结构调整网络模型（structural adjustment network model with channel selection and spatial attention mechanism，简称SAM＿CSSAM），首先使用改进的通道和空间注意力机制，学习通道和空间上的特征信息，并且结合通道权重选择模块进行去除背景冗余信息，最后提出结构权重选择模块减少下采样时特征信息的损失。在自建的大豆苗期耐盐性数据集上迭代训练500轮，模型的训练损失和验证准确率分别达到0.02、97.22%，精确率为97.24%，召回率为97.26%,F₁分数为97.23%。相比于VGG16、MobileNet v2、Conv Next、Shuffle Net等模型均有明显提升。本研究基于深度学习建立了一种基于SAM＿CSSAM模型的大豆种质资源苗期耐盐性鉴定方法，可为耐盐大豆种质资源的挖掘提供理论依据和技术支撑。更多还原