中国是人口大国与农业大国,农业生产水平的高低对我国稳定发展尤其重要,而智能化是提高我国当前农业生产水平的重要突破口。近年来,随着智慧农业的提出,基于图像的病虫害智能预警、基于图像的种植物成熟度判别等许多农业生产中的智能化手段的研究已初具雏形,可见计算机视觉技术是农业生产智能化进程中的重要一环。本文研究了计算机视觉中目标检测算法在春石斛大棚种植中的应用,本文的主要工作如下:第一,采集春石斛图像并建立了数据集,针对大棚内种植环境的特点、以及春石斛植株体的自身形态特点,设计了基于传统图像处理的数据增强手段,从数据角度出发,减少背景与植株体自身因素对春石斛检测的影响。第二,对春石斛数据集中的标注信息进行了数学统计与分析,使用基于机器学习的K-means方法,对春石斛各个生长状态的植株体在图像中呈现的形状特点进行了描绘,并将统计分析结果作为指导信息在后续的网络模型anchor的改进设计中进行使用。第三,对基于深度学习的目标检测算法进行介绍,并针对春石斛生长状态检测的复杂情况,对比了以YOLOv3为代表的一阶段目标检测算法和以Cascade R-CNN为代表的二阶段目标检测算法的异同以及二者对春石斛检测任务的适用性,进一步通过实验对比二者性能上的优劣,确定Cascade R-CNN更为适合本文的春石斛生长状态检测任务。第四,分析了Cascade R-CNN的不足之处,并对其在春石斛生长状态检测任务背景下做出模型结构与算法策略两方面的针对性改进,包括:以Res Ne Xt对网络backbone部分进行改进、以PA-FPN对网络neck部分进行改进、以K-Means聚类结果对anchor进行改进、以soft-NMS改进网络的后处理策略,综合上述改进设计了一种基于多方法改进的目标检测算法,并将之应用于春石斛的生长状态检测。本文通过对春石斛自身特征的分析,设计了一个适用于春石斛生长状态检测的算法,并通过实验验证了其准确度,最终将算法实现在可视化界面上。