我国是世界最大的番茄生产和消费国家,番茄生产是农民增收致富和出口创汇的重要途径之一。目前,番茄人工授粉方法存在主观性强、工作效率低、劳动强度大等问题,且激素处理不当容易引起激素残留或产生畸形果。而授粉机器人则可以有效降低田间作业劳动量,提高番茄产量和品质,现有授粉机器人大多处于试验或理论阶段;因此,研发番茄授粉机器人对降低生产成本、降低劳动强度、提高作业效率具有重要的意义。本文以大型玻璃温室内番茄花朵为研究对象,开展一套基于三维视觉的番茄授粉机器人手臂引导系统研究。主要研究内容如下:（1）对温室环境中番茄花束以及花期的识别与检测。为提高花期识别的准确率,以温室番茄为例提出了一种基于级联卷积神经网络的番茄花期识别检测方法。首先采用改进的基于特征金字塔花束提取神经网络（Flower Extraction Feature Pyramid Networks,FE-FPN）实现番茄花束的局部区域提取,并采用Prim最小生成树对提取的花束区域图像进行识别优先级排序,然后按序将其输入到改进的YOLOv3网络,实现番茄花朵不同花期的精准辨识检测。在包含4类花期、共1 600幅样本的番茄花束图像数据集上进行试验验证,本文方法对番茄不同花期的检测性能较好,平均检测精度达到了82.79%,平均单张检测时间为12.54 ms,各花期精度为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%;相比Mask R-CNN和空间金字塔池化网络（Spatial Pyramid Pooling Networks,SPP-Net）,平均精度提高了3.67%和2.39%,而且识别错误率比基础YOLOv3网络降低了1.25%。最终,本文将所提方法部署到大型玻璃温室环境下番茄授粉机器人上进行实际验证,该方法在复杂环境下识别准确率为76.67%,除去漏提取花束准确率达85.18%。（2）授粉机器人对番茄花朵的定位算法研究。为实现对番茄授粉机器人授粉提供可靠的技术指导,提出了一种基于3D视觉的番茄授粉花朵定位方法。采用RGBD结构光相机快速获取温室内番茄植株的彩色图和深度图信息,通过快速小目标检测YOLOv3神经网络实现植株上番茄花束的识别,并提取出授粉花束在图像中的占有区域;采用主动对齐方式结合PCL进行彩色图和深度图像的对齐,获得番茄植株的空间点云信息;使用区域离群滤波法对点云进行去噪,并对花束区域进行精配准获取高精度点云,结合双向均值算法计算出花束3D box的授粉质心坐标。定位试验结果表明:该方法在温室环境中平均定位成功率达到86.25%,平均执行授粉完成率为71.25%,能够满足番茄授粉机器人对授粉点定位需求。（3）在Linux环境下基于Open CV和QT等框架对番茄授粉机器人授粉系统的初步构建。系统包含图像的获取、识别模型的使用、点云坐标计算、手臂引导控制、授粉末端的执行以及机器人底盘移动的控制六部分。图像获取采用RGB-D结构光相机采集RGB图和深度图,并通过USB3.0接口与核心控制器连接。识别模型采用基于卷积神经网络模型,并在Open CV框架下进行模型的使用。点云坐标计算包含图像对齐、配准和离群滤波去噪后由PCL获得空间点云信息。手臂引导控制则根据该点云坐标值在标定转换后进行移动,由QT编写生成。手臂移动到目标位置后,授粉末端由核心控制器发送串口指令到ARM开发板上驱动执行部件进行授粉操作。在单视野内对所有花束完成授粉后,系统根据TCP协议发送命令到机器人底盘系统,控制机器人向前或向后移动植株定植间距距离。接着重复进行识别、定位、授粉等操作。本文以温室番茄花朵为材料,应用机器学习和三维视觉技术,构建一套基于三维视觉的番茄授粉机器人手臂引导系统。从测试结果上来看,该系统能够快速、精准的对温室内番茄花朵进行授粉操作,可有效降低劳动力输出,为番茄智能授粉机器人精准授粉提供一套高效的技术支持和精准作业提供重要依据。