目前,南疆枣园工作的喷雾设备在施药过程中喷嘴始终处于开启状态,不能针对不同高度的枣树进行精准施药,容易出现漏喷多喷现象,造成了农药的浪费、环境污染等问题。另外,部分设备虽然采用了图像识别技术,但是受制于硬件资源等,无法准确地提取特征,识别的精度和效率均较低,难以满足精准喷雾的要求。本文针对南疆枣园,在分析国内外对基于机器视觉的植保喷雾技术研究的基础上,对树莓派开发平台实时识别分类和南疆枣园喷雾规则制定两项关键技术展开研究,本文主要研究内容如下:（1）对系统的整体结构进行了设计,通过实际的需求对核心部件进行了选择和确定以达到整体紧凑、喷雾高质量的目的。（2）本文选用了普通的卷积核堆叠的CNN模型、基于Inception模块设计的Inception NET模型以及Re-Se-Inception Net模型。然后在同样主机的环境下,使用同样的超参数在本文数据集上训练了这3种模型进行综合比较。从识别分类实验结果可以得出,设计的Re-Se-Inception Net模型识别分类的准确率到达93.32%,标准差为0.18。（3）对动态环境下的雾滴运动分析后提出概率信任机制和行为预测机制并将两种机制在Re-Se-Inception算法中进行合并形成本文的喷雾算法。利用Tensor Flow框架和Python语言在树莓派平台上进行实现。（4）设计了基于Raspberry Pi4B的机器视觉喷雾系统。针对行业缺乏统一评价指标的现状,对喷雾控制算法制定了实时率prt,漏喷多喷率pmr和农药减施率prsr三个评价指标。在阿拉尔十一团枣园实验环境首先对实时率prt进行测试,根据得到的实验数据可知,prt与设备移动速率之间呈现出负相关的关系,在移动速率等于0.3m/s的情况下,prt=91.7%。然后进一步对减施率prsr、漏喷多喷率pmr进行测试,固定移动速率为0.3m/s,发现在pmr、prt分别为10.3%、91.7%的情况下,prsr为44.5%,由此可见喷雾系统能够根据识别到的不同高度的枣树做出相应的喷雾指令并取得了较好的减施效果。