在自然环境下橘子目标所处的背景十分复杂,被枝叶遮挡或者果实之间叠加的现象非常普遍,这种环境的复杂性无疑给机器视觉系统的识别带来困难,导致采摘机器人不能有效、准确地识别目标。针对这一问题,本文对复杂环境中橘子目标图像的识别与定位问题进行了仿真与实验研究。主要工作内容如下:对复杂环境中橘子目标轮廓的识别方法进行了研究。介绍了传统的边缘检测算法,并对橘子图像进行了测试,测试效果显示该方法不能有效提取复杂环境中的橘子目标轮廓。将K-means聚类算法与Canny算法融合,采用K-means聚类算法从目标图像中分割目标物区域,结合Canny检测算法检测出目标物区域的轮廓,进而完成目标的识别,橘子图像测试结果验证了该方法的有效性。对重叠橘子目标轮廓分离方法进行了研究。在对腐蚀剥离法及分水岭分割法等方法分离重叠(邻接)目标的原理和特点比较基础上,研究了基于K-means聚类算法分离重叠橘子目标轮廓的方法,该方法对双果邻接、重叠的橘子目标图像进行了测试,测试结果看出重叠目标轮廓分离完整,体现了该方法的有效性。对橘子目标轮廓匹配进行了研究。为描述目标轮廓特征,引入几何不变矩参数作为轮廓的描述子,采用作差法的结果作为两幅图像中轮廓匹配测度值,实验数据表明,几何不变矩参数在橘子目标轮廓特征描述方面具有较好的效果,匹配能力良好。同时引入基于梯度法的Hough变换圆检测方法对类圆形橘子目标轮廓拟合重建,测试效果图显示该方法能够实现果实的有效定位。对基于单目视觉的目标深度进行了计算。移动摄像机采集同一场景下的两幅图像,提取相匹配的特征点,结合摄像机成像原理,计算出空间目标物距离摄像机的深度信息。最后,介绍了实验硬件系统,分别以橘子和大枣为实验对象,完成了复杂环境中目标轮廓的识别与定位实验,验证了本文方法的有效性。