在农业生产当中,除草一直是一个非常影响作物产量的重要工作,现有的机械除草、化学除草等除草手段存在着非常消耗人力、对环境污染较大等各种问题。因此,在现代化的智慧农业生产当中,如何更加高效环保地进行除草一直是一个非常重要的研究课题。基于深度学习的计算机视觉技术的发展使得农田中的杂草识别定位变得更加精准,推动了机器智能除草的快速发展。基于自动识别定位杂草的机器智能除草技术能够自动按需喷洒农药,在解放人力的同时,减少农药浪费,降低环境污染。要实现针对农田中杂草的自动按需施药,需要解决两个问题,一个是识别图像中的杂草区域,二是将图像中的杂草位置对应到真实空间位置。本文基于对杂草图像语义分割网络及双目深度估计网络的改进,提出了一个多任务学习的框架,同时完成了在嵌入式计算平台上的实际部署。本文的具体研究内容如下:（1）研究了杂草的图像数据特点,提出杂草图像语义分割网络DUSeg。基于双路语义分割网络构建结合低级空间特征和高级语义特征的分割网络。针对田间杂草数据分类空间小的特点,使用太大的特征提取网络对于精度的提升非常有限。本文使用了轻量并结构简单的Unet作为特征提取网络,在不损失精度的情况下具有更快的速度。同时在Unet基础上,使用更密集的连接以减少不必要的空间路径。针对田间杂草数据存在严重不平衡的问题,使用Dice损失函数替换了交叉熵损失函数,得到了较好的语义分割效果。（2）为了获得分割后的杂草的空间位置,引入了深度估计网络,提出了一个语义分割和深度估计联合的多任务学习框架。本文使用双目相机采集的数据,用传统立体匹配方法计算视差与深度,构建了一个双目深度估计数据集。训练了基于视差残差的深度估计网络来进行深度估计。在此基础上构建了一个多任务学习网络结构,视差估计网络和语义分割网络共享Unet特征提取模块,一个分支用代价聚合网络进行视差估计,另一个分支使用了语义分割网络,实现双目视差估计和语义分割的多任务联合。本文还对多任务的损失函数权重设计进行实验探讨,让语义分割任务和视差估计任务相互促进,超越单独任务的性能。在共享特征提取网络减少运算消耗的同时,还提高了各自任务的准确率。基于语义分割与深度估计的计算结果,结合相机参数,完成从输入图片到输出杂草区域边界位置空间坐标的转化并进行了可视化。（3）基于英伟达的Jeston TX2计算平台,利用Tensor RT的优化器与部署引擎部署了神经网络的预测推理,将整个系统部署到高能效嵌入式计算平台上。在神经网络的推理部署过程当中,将训练时的数值类型FP32在推理时转换为半精度浮点类型FP16,达到预测精度与预测速度之间最佳的平衡效果。