棉花是我国主要的经济作物之一,目前使用的机械采棉方式虽然比人工采棉成本低、效率高,但是也导致了棉花质量低和产量下降的问题。因此研究智能采棉机器人是未来棉花采摘的必然趋势。智能采棉机中最重要的是视觉定位系统,本文主要针对自然场景下的棉桃识别定位算法展开研究。要在自然场景下准确高效的定位棉桃目标,需要克服如下问题:首先是多变的光照条件下棉桃的分割识别;分割结果中除了单个的棉桃对象,还有相互重叠的棉桃、被枝叶遮挡的棉桃以及误识别为棉桃的背景,因此需要对分割结果进行分类,需要研究合适的图像分类算法;为了返回重叠棉桃区域的实际棉桃个数及其对应的坐标位置,还需要研究重叠棉桃分离算法。文章主要针对棉桃识别面临的这三大问题展开研究:(1)分析自然场景下的棉田图像在RGB和HSV(Hue,Saturation,Value)模式下的颜色值分布特点,并结合一些经典的图像分割算法在棉田图像分割中的效果,提出了针对棉田图像特点的棉桃自适应分割算法。将棉田图像根据HSV空间下的S值分布特点把图像分为阳光和阴影部分;对阳面图像使用改进的Otsu算法进行分割,对阴面图像使用基于颜色统计的阈值分割方法和改进的Otsu算法进行分割;合并阳面和阴面分割结果二值图,应用形态学算法进行优化处理实现了自然场景下棉桃的分割识别。通过对分割算法在识别率、误识别率和分割时间上的统计结果证明了本文分割算法在识别率和速度上的优势。(2)使用基于AlexNet、GoogLeNet和ResNet-50的迁移学习模型对棉桃数据集分类,并与直接使用棉桃数据集训练的浅层卷积神经网络(convolutional neural networks,CNN)的分类效果进行对比。证明了使用ImageNet数据集训练好的深度卷积网络具有提取一般物体抽象特征的能力,对小型棉桃数据集的分类效果良好,而直接使用棉桃数据集训练CNN分类会产生过拟合。同时迁移学习方法可以避免制作大型的数据集和重新训练一个较深CNN模型,节约了大量的时间成本和计算资源。(3)在验证了迁移学习模型具有提取棉桃数据集特征能力的基础上,提出了基于迁移学习模型特征提取与分类器相结合的分类算法,进一步提高了分类算法的正确率。通过多种方法的分类效果和时间消耗对比,选择了AlexNet作为特征提取模型、极限学习机(extreme learning machine,ELM)作为分类器,使分类算法同时满足分类正确率和效率的要求。(4)针对重叠棉桃的颜色和形态特点,研究了重叠棉桃分离方法,能准确分离粘连在一起的棉桃并返回各单个棉桃质心坐标作为棉桃定位点。