杨梅在种植周期中呈现出果实成熟期较短、个体成熟时间存在显著差异性的生长特性,在采收期主要依靠人工方式分批采摘杨梅果实,这种重复性采摘模式导致采收成本高、劳动强度大。为此,自动采摘机器人已成为近年来智慧农业中的一个研究热点,它应用机器视觉技术识别与定位果实,并通过末端执行器模拟人工定位与果实采摘操作。然而,野外果园场景中的显著非结构化环境特征和杨梅果实特殊的生长形态特性,极易影响采摘机器人对果实的识别与定位准确性。因此,本文基于单目机器视觉技术,结合传统图像分析和深度学习策略,研究光照多变和聚簇生长条件下的杨梅果实定位与成熟度判别方法,论文主要研究内如和结论如下:（1）结合局部滑窗技术和果实外观形态特征的杨梅成熟度判别方法。为了维持光学图像中杨梅果实区域的实际色彩信息,在HSV（Hue/Saturation/Value）颜色空间中,采用对比度受限自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization,CLAHE）处理色调分量H,缓解了因果园环境光照变化导致果实区域成像不稳定的问题;在YCb Cr颜色空间中,采用Cb Cr色差法和最大类间阈值分割算法滤除图像中的大部分背景区域,为解决Cb Cr色差图中的果实区域过分割问题,结合区域生长策略实现候选杨梅果实区域的提取;进一步采用局部滑窗法遍历候选杨梅果实区域,并结合局部二值模式（Local Binary Pattern,LBP）和支持向量机（Support Vector Machine,SVM）建立杨梅果实目标的分类模型,通过软非极大值抑制（Soft Non-Maximum Suppression,Soft-NMS）对邻近区域的分类结果进行融合以输出更高精度的果实检测结果;最后,基于成熟杨梅果实的外观色彩先验知识,提出结合颜色演化模型和红色比的果实成熟度识别算法,实现了杨梅果实的成熟度判别。实验结果表明,与全局滑窗法、标记控制分水岭凸包法和超像素聚类三种算法相比,本文方法在不同光照场景中的杨梅果实检测和成熟度判别上均获得了最优的性能,其中对杨梅果实的检测精确率、召回率和F1-score分别为92.51%、90.82%和91.65%,对杨梅果实的成熟度判别准确率达到了90.85%;此外,局部滑窗策略有利于抑制大量仅包含背景的候选图像区域,显著降低了果实检测环节的计算复杂性,本文方法的平均检测速率达到了173 ms/帧,从传统目标检测方法角度看,该方法表现出了良好的近实时检测性能。（2）基于深度卷积神经网络（Deep Convolution Neural Network,DCNN）的杨梅成熟度判别。针对DCNN对训练数据数量和多样性的需求,采用离焦模糊、运动模糊、旋转变换、随机裁剪、随机翻转、亮度和对比度调整等方法进行训练数据的扩充;进一步结合迁移学习策略,在扩充后的训练数据上评估了YOLOv5s、Center Net、SSD和Faster RCNN不同架构DCNN的杨梅果实检测及成熟度判别性能。实验结果表明,在整体平均性能表现方面,Faster RCNN获得了最优的杨梅果实检测和成熟度判别性能,其F1-socre分别为95.72%和92.62%,但其平均检测速率在四种网络模型中最低,为117 ms/帧;YOLOv5s获得了最快的杨梅果实检测和成熟度判别速率,达到了30 ms/帧,其F1-socre分别为95.52%和90.61%,总体精度略低于Faster RCNN,同时该网络模型的参数总量和GPU运算空间复杂度均低于其他三种网络模型。在模型泛化性能表现方面,Faster RCNN和YOLOv5s受果园光照条件变化和杨梅果实随机生长形态特性的影响最小,能更准确地检测与判别被遮挡和聚簇形态下的杨梅果实,与CenterNet和SSD两类模型相比,最高检测准确性约提高了15%。