柑橘是世界第一大类水果,是世界第三大贸易农产品,是我国水果产业的重要支撑。传统的柑橘果园采摘主要依靠人工作业,劳动强度大、劳动成本高。因此,研究采摘机器人是解放农村劳动力的重要发展方向。在采摘机器人领域,柑橘果实识别是实现果树精细化管理以及实现果园产量精准预测的关键技术环节,柑橘果实定位是实现机械手自动采摘的必要前提,果实识别与定位的准确率直接决定了机械手的采摘成功率。为实现水果采摘机器人对果实快速精准识别与定位,本文以柑橘为研究对象,研究基于轻量级神经网络和双目视觉的目标识别与定位方法,主要研究工作以及结论如下:（1）对目标检测领域常见算法进行阐述,为实现自然环境下柑橘果实的快速精准识别,提出基于改进YOLOv3-LITE轻量级神经网络的柑橘果实识别方法。该方法通过引入GIoU边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络,并使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。（2）为实现柑橘果实的三维空间定位,提出基于双目立体视觉的柑橘果实空间定位方法。该方法通过对双目摄像机进行标定获得左右目相机的内参、外参以及关系系数矩阵,通过立体校正和添加水平方向极线约束来提高匹配精度;利用OpenCV计算机视觉库中SGBM立体匹配方法提取特征,对左右目图像对应像素特征点进行匹配,通过三角测量法对视差图中柑橘果实的中心点计算三维数据。（3）分别对柑橘果实识别方法与定位方法进行实验验证。在柑橘果实识别实验中,通过与Faster R-CNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,实验结果表明YOLOv3-LITE轻量级网络模型识别效果提升显著。其F1值和AP值分别为93.69%和91.13%,Average IoU为87.32%;在GPU上对柑橘目标检测速度可达246帧/s,对单张416*416的图片推断速度为16.9 ms,模型占用内存为28 MB。利用双目立体视觉技术对柑橘果实中心点进行三维定位实验,通过对比高精度激光测距仪,本文采用三维空间定位方法对于X坐标的误差范围为-5.3～4.6 mm;对于Y坐标的误差范围为-4.9～4.5 mm;对于Z坐标的误差范围为-7.1～11.2 mm,定位精度满足采摘机器人的三维定位误差要求。