标记辅助选择（MAS）在作物育种中扮演着至关重要的角色，其能够迅速而可靠地辨识和选择具备所需特征的植株，从而提高传统育种方案的速度和精准度。然而，MAS的有效性受多个前提条件的影响，其中精准的表型分析是任何植物育种计划中至关重要的一环。最新技术进展将无人机与机器学习相结合，推动了高通量远程表型分析的发展，为传统费时费力的方法提供了一种非破坏性、高效的替代方案。此外，MAS通常依赖于通过全基因组关联研究（GWAS）获得的标记-性状关联知识来理解复杂性状，如耐旱性、产量组分和物候期。然而，GWAS存在局限性，而人工智能（AI）已在一定程度上克服了这些限制。此外，人工智能及其可解释的变体确保了透明度和可解释性，在整个育种过程中作为公认的问题解决工具得到越来越广泛的应用。鉴于这些技术的快速进步，本综述总结了每种MAS的最新方法和流程，从表型、基因型和关联分析到整个工作流程中可解释的算法的整合。我们特别讨论了冬小麦育种中面临的挑战和重要性，以获得更高的耐旱性和稳定的产量，因为关键发育阶段的区域性干旱对冬小麦生产构成威胁。最后，我们探讨了从科学进步向实际实施的过渡，并讨论了缩小尖端技术发展与育种者之间的差距的方式，加速基于MAS的冬小麦抗旱性育种。

图1 （A）基于SSP1情景的欧洲2060年气候预测，（B）热度增加导致小麦产量下降，以及（C）植物对水分匮乏的各种生理响应。具体而言，（A）中的预测显示相对于2020年，考虑到‘绿色之路’下最佳情景SSP1叙事的情况下，到2060年的年最高温度变化。在（B）中，随着植被期内热度的增加，小麦产量呈下降趋势。农场产量数据和热度代表了奥地利六个地区2002年至2014年的平均水平。在（C）中呈现了植物对干旱胁迫的生理反应概览。

图2 基于高通量无人机的基因型分析示意图。该流程说明了如何从原始数据、现场表型数据采集和原始图转化为结构化且连贯的数据集，用于后续的操作。

图3 描绘了冬小麦从发芽到成熟的主要发育阶段。这些发育阶段通过最重要的产量组分以及相邻表格中的BBCH分类进行对比。

图4 培育耐旱小麦基因型的过程依然繁琐耗时，但尖端技术有望加快育种进程。基于无人机的表型分析、GWAS 以及 MAS 正在得到越来越多的应用。然而，可解释人工智能发挥着跨流程和至关重要的作用，不仅应用于数据分析和解释，还在整个育种过程中的决策制定中起着关键作用，它不仅应用于数据分析和解释，还应用于决策制定。