果园种植业在我国农业经济中占很大一部分,是我国地方实现脱贫致富的重要产业支柱。近年来,随着信息技术的发展,农业正朝着信息化与智能化方向前进。而我国果园的机械智能化水平还较低,大部分地区的水果种植业生产仍是通过传统经验来实现园间作业,果园生产中套袋、施肥、剪枝、喷药、采摘等环节劳动强度较大,多种果园机械在不同时令执行不同的任务,设备利用率非常低,适配难度较大。推广适合此类作业的机械智能化装备势在必行,通过公共运载平台搭载不同作业环节的机械将大大解放劳动力,提高生产效率,降低经济成本。本文提出了基于卷积神经网络的果园运载平台行进路径自主检测方法研究,通过目标识别模型进行树干与障碍物检测,根据两侧树干位置得到坐标信息完成运载平台行进路径自主检测研究。本文研究的主要内容及结论如下:（1）以果园为研究对象,根据果园的半结构化环境特点,确定果园运载平台路径自主检测方法的设计方案。首先采集不同季节和不同光照条件下的果园图像样本,更好的模拟不同时令的果园作业环境,构建标准数据集,利用改进的YOLOv5s网络训练得到目标识别模型。该模型的内存大小为13.99 MB,识别速度为33 ms,通过测试集测试该模型的精确率以及稳定性,得到模型的平均精确率为95.2%。该模型通过试验说明适合在半结构化果园环境中应用。（2）采用训练好的目标识别模型与运载平台结合,实现路径检测。果园运载平台在果园行进时,改进的YOLOv5s目标识别模型实时检测,将目标框的实时坐标打印出来,得到识别框的位置信息,通过最小二乘法将识别框质心坐标点拟合,得到路径的下一目标点。运载平台试验结果表明,运载平台以0.7m/s的运行速度前进,可在目标识别的同时进行路经检测,能够为果园提供应用于实际环境的路径检测方法。（3）基于上位机绘制路径地图,得到像素路径信息。将A*算法规划的像素路径信息地图通过上位机界面显示,计算的结果表明,行进路线在避开障碍物的同时找到了最短路径。通过像素路径坐标与世界路径坐标转换得到实际的路径坐标,为果园运载平台的行进路径自主检测提供了支持。