在农业中,苹果采摘是果实生产过程中消耗劳动力最大的一个步骤。生产成本的增加,果实的规模化生产也受到了比较大的限制。因此本文以苹果自动化采摘为目标,利用深度学习、机器视觉与数字图像处理等技术,研究了自然环境下苹果目标的自动识别与定位方法,以提高自动采摘机器人的工作效率,降低生产成本。本文具体完成了以下几方面的工作:（1）构建苹果图像数据集。通过网络搜集整理果园苹果图像,共982个样本,并使用YOLO数据集格式对其标注。针对样本数量较少问题,通过采用一系列数字图像处理技术对原样本集进行数据增强扩充,扩充后的图像数量达到了8546张,完成苹果数据集的制作,为开展相关研究提供了数据基础。（2）改进算法实现对苹果目标进行识别。从理论分析选择YOLOv4作为本文的目标检测算法,为了提高算法的检测准确度以及速度,将YOLOv4的主干网络更换为更好的EfficientNet网络。在神经网络中引入注意力机制并对其进行改进,再通过Kmeans++方法选取更适合本文数据集的锚框尺寸,然后使用数据集对本文的神经网络进行训练测试得出推理模型,在实验结果中,该模型的识别准确率达到了96.54%,平均检测时间为0.338秒。（3）改进果实重叠情况下苹果的识别。传统的非极大值抑制算法容易造成苹果漏检的问题,即多个苹果聚簇在一起时仅会检测出一个目标。因此采用柔和的非极大值抑制算法,减少苹果目标漏检情况的发生。（4）苹果的三维定位。本文通过对比基于不同原理测距的深度相机:双目视觉,结构光以及光飞行时间法,综合分析本课题要求以及实际情况,选择了基于To F的深度相机对苹果图像进行采集。本文完成了相机的标定,通过对原有的配准方法进行改进,完成深度图像与彩色图像的融合,进而计算出果实目标的实际位置。