Los cultivos de campo suelen plantarse en hileras, y la identificación precisa y extracción de la línea central de los cultivos es la clave para lograr la navegación autónoma y la operación segura de maquinaria agrícola. Sin embargo, la diversidad de especies y morfología de los cultivos, así como el ruido del campo como las malas hierbas y la luz, a menudo conducen a una detección deficiente de los cultivos en entornos agrícolas complejos. Además, la curvatura de las hileras de cultivos también plantea un desafío para la seguridad de la maquinaria agrícola durante el desplazamiento. En este estudio, se propone un algoritmo combinado de extracción de la línea central de múltiples hileras de cultivos basado en el modelo YOLOv8 mejorado, agrupación de DBSCAN (Agrupación Espacial Basada en Densidad de Aplicaciones con Ruido) de umbral, método de mínimos cuadrados y curvas B-spline. Para la detección de múltiples cultivos, se desarrolla un modelo DCGA-YOLOv8 introduciendo convolución deformable y mecanismo de atención global (MAG) en el modelo YOLOv8 original. La introducción de la convolución deformable puede obtener información espacial más detallada y adaptarse a cultivos de diferentes tamaños y formas, mientras que la combinación de MAG puede prestar más atención a las áreas de características importantes de los cultivos. Los resultados experimentales muestran que el valor de F1-score y mAP del modelo DCGA-YOLOv8 para Col, Colirrábano y Arroz son del 96,4%, 97,1%, 95,9% y 98,9%, 99,2%, 99,1%, respectivamente, lo que demuestra una buena generalización y robustez. Se propuso un algoritmo de DBSCAN de umbral para implementar el agrupamiento de cada hilera de cultivos. La tasa de agrupamiento correcto para Col, Colirrábano y Arroz alcanza el 98,9%, 97,9% y 100%, respectivamente. Y los métodos LSM y curva cúbica B-spline se aplicaron para ajustar hileras de cultivos rectas y curvas, respectivamente. Además, este estudio construyó una función de optimización de riesgos para el modelo de rueda para mejorar aún más la seguridad de las máquinas agrícolas que operan entre hileras de cultivos. Esto indica que el método propuesto puede realizar de manera efectiva el reconocimiento y extracción precisos de líneas de navegación de diferentes cultivos en entornos agrícolas complejos, y mejorar la seguridad y estabilidad de la navegación visual y la operación de campo de las máquinas agrícolas.