芒果表皮缺陷检测是实现芒果的智能化采摘、果实质量分级的重要前提。基于卷积神经网络的计算机视觉技术为缺陷检测提供了可行有效的方法,是目前最为主流的检测方式。在自然环境下,光照的强弱、背景的复杂、果实枝叶茎干的相互遮挡等制约因素下,给芒果表皮缺陷的检测带来了巨大的挑战。采用深度卷积神经网络,可以提取更多的特征,具有更加实时精准的识别效果。因此,本研究采用基于语义分割、实例分割的方法研究自然环境下芒果表皮缺陷的检测。实现更为快速、有效的检测。主要的研究结论及工作如下:（1）芒果表皮缺陷数据集的建立。在自然环境下采集芒果图像并进行人工标注,建立了芒果表皮缺陷数据集。为进一步扩大数据集,采用图像增强的方法,如翻转、镜像、旋转、缩放、提升对比度等方式。为了降低自然环境下图像受遮挡的影响,在预处理阶段进行图像的随机遮挡,增强模型对遮挡目标的识别精度。通过对芒果表皮斑点进行图像形态学处理（闭运算）来消除斑点,降低模型的误检率。（2）基于实时网络LinkNet的分割检测。LinkNet网络具有快速、轻量级、易部署的特点。但较低精度的检测效果不满足实际需求。改进的LinkNet网络结构由原来的ResNet18改为ResNet34,主干模型的第四层网络输出时添加了膨胀卷积操作,膨胀率为[1,2,4,8],且采用的是级联与并行相结合的模式,在原有的基础上增加了每层网络的感受野,对复杂的背景与前景目标以及小物体的准确率上均有提升。改进后的模型在类别平均像素准确率（Mean pixel accuracy,MPA）从71.33%提升到83.73%,平均交并比（Mean intersection over union,MIoU）从69.68%提升到82.42%。（3）基于深度卷积网络DeepLabV3+的分割检测。DeepLabV3+算法具有精度较高、收敛快的特点,但复杂环境下中细小的缺陷识别效果较差,改进的模型采用Atrous-ResNet作为特征提取网络,在编码器模块中添加联合金字塔上采样（Joint pyramid upsampling,JPU）结构,该结构增加模型的多尺度特征及加快模型收敛,同时在解码器模块中融合更多的浅层特征,在测试集上取得了更好的结果。实验结果表明,改进的算法较DeepLabV3+算法的评价指标,类别平均像素准确率从90.69%提升到94.48%,平均交并比从89.56%提升到94.13%。改进的算法结果均优于LinkNet、SegNet算法。（4）基于实例分割Mask R-CNN对芒果表皮缺陷的检测。Mask R-CNN采用目标检测与语义分割相结合的形式。但模型存在较高的误检率与漏检率。改进的模型在原来FPN的基础上,增加了一条侧边连接,使输入和输出在同一层面上,增加特征的多级融合,并采用了一条自底向上的特征融合方式来加强特征提取。改进后模型的芒果类别准确率较改进前模型的准确率提高7.14个百分点,缺陷类别的准确率较改进前的准确率提高6.77个百分点。改进后模型的芒果类别召回率较改进前提高5.75个百分点,缺陷类别的召回率较改进前提高6.49个百分点。