农业机器人是一种新型智能农业机械,其在耕作、植保、收获和除草等作业领域具有广泛的应用前景。我国是水果种植大国,为了满足现代果园的智能化管理需求,果园机器人及其相关关键技术有较强的应用价值。三维点云语义地图是提高果园机器人环境感知与场景理解能力的一种有力措施,本课题以樱桃园为试验对象,提出一种三维点云语义地图的构建方法。该方法采用图像检测结果与点云数据融合的方式,为点云标注语义信息,在获取关键帧信息的基础上拼接已经完成语义标注的点云数据,构建出三维点云语义地图。为验证上述方法,本课题在传感器联合标定、树干检测和点云语义地图构建等方面开展研究。主要内容与结论如下:（1）传感器联合标定。为了获取相机和激光雷达两个传感器之间的空间映射关系,开展了传感器联合标定试验,使用Pn P算法解算出传感器的空间映射关系。传感器空间映射关系是融合图像检测结果和点云数据,完成点云语义标注的前提条件。（2）树干检测。为了检测樱桃树干,采用并对比了几种深度学习目标检测方法,得到了树干检测的最优模型。采集并选取了2000张图片,构建了樱桃园场景图像数据集。选用Yolov3作为目标检测算法检测樱桃树的树干区域,模型训练后,其准确率P、召回率R和平均精确度AP分别为93.44%、94.61%和93.79%。上述三项性能指标均优于Faster R-CNN方法与SSD方法。（3）点云语义地图的构建与评价。点云语义地图的构建需要解决两个关键问题:点云语义信息标注和点云语义地图的拼接。点云语义信息标注是基于相机和激光雷达的空间映射关系,融合图像检测结果和点云数据,对三维点云数据赋予语义信息;点云语义地图的拼接是在获取点云地图关键帧信息（基于Lego-Loam算法的中间结果）的基础上,对赋予语义信息的关键帧点云数据进一步拼接成三维点云语义地图。针对试验场景,本文设计了点云语义地图的精度评价方法与指标,定量评价了点云拼接精度和点云语义标注精度这两项关键性能。其中,点云拼接精度的两个评价指标,距离绝对误差和角度绝对误差平均值分别为0.15 m和2.53°;点云语义标注精度的三个评价指标,平移误差、旋转误差和映射误差平均值分别为0.58 cm、0.89°和0.42 pixel。本课题构建的三维点云语义地图既包含场景的空间位置信息,也包含场景中典型目标的语义信息。有望为果园机器人的自动导航控制、精准对靶施药等典型任务提供关键信息,提高了果园机器人的环境感知与理解能力。