我国作为柑橘的重要原产地之一,已有4000多年的柑橘栽培历史。时至今日,柑橘已经成为我国种植面积最大、产量最高和消费量最大的水果。在柑橘产业当中,果实采摘是整个生产过程中劳动强度大、季节性强的一个重要环节,传统的人工采摘方式不仅效率低下,而且需要雇用大量的劳动力,产生大量的人力成本。研究基于机器视觉的树上柑橘果实识别方法能够为柑橘的自动采收工作提供关键技术,有利于提高柑橘的采摘效率,降低生产成本。主要的研究内容如下:（1）基于机器视觉的柑橘采摘机械手设计。基于对采摘机械手的工作需求与工作环境的分析,完成了基于机器视觉的柑橘采摘机械手整体结构的设计,对相机等重要硬件进行了选型与分析,完成了采摘机械手工作流程与控制系统的设计。（2）柑橘图像增强算法研究。为了解决自然环境中采集的柑橘图像受光照影响导致柑橘目标难以识别的问题,提出了两种有效的柑橘图像增强方法。针对光照分布不均匀的柑橘图像,在模糊集理论的基础上,结合图像的全局信息将像素划分为需要进行增强和抑制两类,再引入像素点周围的局部信息建立指数函数对图像进行增强。针对亮度过低的柑橘图像,在Retinex原理的基础上,将引导滤波处理后的V分量图像作为光照分量代入,通过计算分离出反射分量,使用改进的双边伽马自适应增强方法提高光照分量图像亮度,利用人眼对灰度的视觉特性对反射分量进行细节增强。两种图像增强算法均能有效改善对应柑橘图像的亮度信息。（3）绿色柑橘目标识别算法研究。为了解决自然环境中绿色柑橘目标难以准确识别的问题,提出了一种改进流形排序算法的柑橘目标识别方法。针对传统的基于图的流形排序显著性检测算法获得的显著图效果不够理想的问题,使用结合相对总变差和局部复杂度的方法提取更准确的前景种子,将提取到的前景种子与去除前景种子的边界背景先验显著图相结合进行流形排序得到最后的显著图。改进后的方法能够有效识别出绿色柑橘区域,识别准确率较改进前算法提升明显。（4）复杂场景下柑橘目标识别算法研究。为了解决复杂自然环境中柑橘目标难以准确识别的问题,使用基于回归的YOLOv3算法对柑橘目标进行识别研究。使用采集到的室外果园环境柑橘图像构建柑橘数据集,通过预训练方法提升网络的学习和识别能力,使用训练集对YOLOv3模型进行训练,并在测试集上进行实验与结果分析。实验结果表明,训练后的YOLOv3模型在测试集数据中的识别性能较好,能够有效识别出自然环境中的柑橘目标。