棉花作为我国一项重要的经济作物和战略物资,被广泛应用于诸多领域。我国作为世界上屈指可数的棉花产业大国,却受限于棉花打顶机识别棉花顶芽的精度和效率等因素,打顶作业时往往会出现撞桃、漏打等现象,致使棉花收割产量难以得到保证。目前运用于生产实践的棉花顶芽识别技术以传统的图像处理和检测方法为主,但传统检测方法的性能仍然不能满足需求。现如今许多研究领域使用深度学习方法取代传统检测方法,并且用实验证明采用深度学习方法能有效提高识别精度。因此,本文将深度学习目标检测方法引入到棉花顶芽识别检测技术中,具有精准快速识别棉花顶芽的效果。本文的研究目的是在尽可能压缩模型网络的前提下,保证模型的识别精度,便于模型部署到移动设备上。主要研究内容及创新点如下:（1）针对YOLOv4算法网络模型复杂、体积大、参数量巨大,不适用于推广到嵌入式系统中的问题,本文对YOLOv4算法使用了通道剪枝以及shortcut模块剪枝的模型压缩方法。利用BN层的缩放因子对模型进行稀疏化,找出重要程度低的通道;使用全局阈值找到每个卷积层的掩码mask,利用取并集后的mask进行通道剪枝;在此基础上评估每个残差块前面一个CBM模块的重要性,从高到低排序其中BN层的均值,设置需要剪枝的shortcut模块数,按照剪枝数对均值较低的进行层剪枝。根据实验结果确定采用通道剪枝率为85%+shortcut模块剪枝数为6的模型,该模型大小降低了97.04%、参数量减小了97.11%,在测试集上的mAP值为0.946。表明通道剪枝和层剪枝结合可以极大压缩模型的体积与参数量,加快模型的推理时间,但是带来的问题是识别精度有所下降。（2）针对剪枝过后的神经网络在复杂背景下识别顶芽出现的识别精度降低、漏检以及识别位置不准确等问题。本文提出将注意力机制中的SE模块和CBAM模块嵌入到剪枝后的轻量网络中,对通道特征和空间特征进行加权,提升有用的特征、抑制无用的特征。最终确定嵌入两个SE模块和一个CBAM模块,由于这两个模块属于轻量级模块,只增加了0.63%的参数量,得到的模型在测试集上的mAP值为0.971。该方法降低了漏检率同时提高了识别精度。（3）基于编程语言Python和图像用户界面程序库Qt结合的框架PyQt开发了棉花顶芽识别系统。该系统主要包括加载训练好的模型、设置不同的阈值、顶芽识别以及结果显示等功能,可以更直观地可视化顶芽识别的结果。实验结果表明,本文提出的通道剪枝率为85%+shortcut模块剪枝数为6的剪枝网络结合SE模块和CBAM模块后的模型,在保证网络识别精度的同时极大地压缩了模型,模型大小降低了97.04%、参数量减少了97.09%、推理时间降低了0.004s,在测试集上的mAP值达到0.971。同时改进后的模型在光照强度比较极端（如过度曝光或光线极弱）和遮挡情况下的顶芽识别均能满足使用的要求,提升了网络的鲁棒性。这为后续将深度神经网络部署到棉花打顶机上进行顶芽的识别奠定了基础。