柑橘味美汁多且营养丰富,目前它已成为中国的主要水果产业。随着农业现代化的快速推进,利用计算机视觉技术对果实单体进行识别是实现果园现代化管理和果实自动化采摘的关键。相对于成熟的黄色柑橘,对未成熟的近景色柑橘进行识别有助于种植者在早期阶段确定果树的生产情况,以便其在水果未成熟阶段正确计划养分或肥料的施用。这不仅可以帮助种植者提高产量,同时通过确定收割期需要多少劳动力来最大程度地降低成本。而自然环境下的近景色柑橘会受到众多干扰因素的影响,主要包括光照强度变化、亮度不均匀、果实与背景颜色相近、枝叶遮挡、阴影覆盖,这给其识别带来了困难。本文对自然环境下近景色柑橘识别问题进行研究,将果实识别任务分成两步,第一步提出了基于混合膨胀卷积的语义分割模型HDC-Seg Net,提高自然环境下对近景色柑橘的分割精度,该步骤的目的是将自然环境下的绿色背景去除,保留柑橘像素。第二步提出了基于密集连接的目标检测模型D-YOLOv3,通过促进网络中高级语义信息的传递,实现特征信息的重复利用,提高了经典YOLOv3模型对柑橘单体的识别精度,该步骤的目的是识别柑橘果实单体。本文的主要研究内容及成果如下:（1）针对自然环境下近景色柑橘随拍摄距离和角度的变化导致果实大小骤变的问题,提出了一种基于混合膨胀卷积的语义分割模型HDC-Seg Net,首先构建自然环境下的近景色柑橘数据集,并结合复杂的自然环境因素对数据集完成相应的预处理操作以提高模型的鲁棒性,然后利用混合膨胀卷积改进Seg Net模型以形成多尺度检测,最终提高模型对不同尺寸大小柑橘的分割精度。结果表明,在自然环境下改进后模型相对改进前模型检测精度提高4.16%,证明了在自然环境下,通过混合膨胀卷积实现多尺度检测能有效提高模型对柑橘的分割精度。（2）针对语义分割后图像中绿色柑橘像素碎片化,柑橘特征不明显的问题,本文提出了一种基于密集连接的目标检测模型D-YOLOv3,研究了密集连接机制在特征传播中的作用,改进现有的经典目标检测网络YOLOv3并对超参数进行调优,促进网络中高级语义信息的传递,实现特征信息的重复利用,最终增强了模型对柑橘单体的识别效果。结果表明,改进后模型相较于改进前模型检测精度提高3.62%,证明了促进网络中高级语义信息的传递,实现特征信息的重复利用,能提高模型对柑橘单体的检测精度。