我国黄瓜种植面积位居世界第一,在农业经济发展中占据重要地位。目前我国的黄瓜采摘作业基本依靠人工完成,人工采摘劳动强度大、生产效率低、生产成本高。因此研发具有识别和定位功能的采摘机器人代替人工采摘具有重要的现实意义。本课题针对自然环境下黄瓜采摘机器人的应用需求,提出了一种基于深度学习的黄瓜目标检测与采摘定位方法,具体研究内容如下:（1）基于黄瓜目标识别的图像处理方法研究。通过实地调查黄瓜种植园的布局和种植情况,确定了黄瓜图像的采集时间和相机的拍摄角度及距离,共采集黄瓜图像3000幅。在图像预处理过程中,经过对比,选用RGB颜色空间作为图片的色彩模式;高斯滤波既有效地去除了噪声,又很好的保存了果实的特征细节,对于本项目的研究最理想。（2）鉴于黄瓜果实与植株具有相似的颜色特征,自然环境下黄瓜果实的识别难度较大,提出了基于深度学习方法。简要介绍了深度学习目标检测算法的发展历程,分析了RCNN、Fast RCNN、Faster RCNN和SSD的算法原理及框架结构,并对其优缺点进行了总结,得出SSD综合性能较好,检测精度和速度都符合本课题要求。最终选取单阶多层检测器SSD作为黄瓜图像的识别模型。（3）从算法层面详细介绍了SSD算法的网络结构及工作原理。本文基于Windows平台上搭建Tensorflow以及Tensorflow Object Detection API框架的深度学习目标检测试验环境。利用Label Img工具对预处理后的图片进行标注,建立了训练集和测试集。通过试验对学习速率、批处理大小和训练步数等超参数进行调优,确定学习速率为0.001、批处理大小为12、训练步数为10000,使用确定的超参数对模型进行训练效果最佳,实验结果表明,最终模型在训练集上的平均精度为85.49%,每幅图片的平均检测时间为0.96s。（4）黄瓜采摘点的三维空间定位方法研究。采用Bouguet算法对相机进行标定,获得相机的内外参数。采用基于特征信息匹配的方法,利用SSD检测算法提取左右图像中的特征点,在黄瓜匹配实验中匹配正确率为76%。实验结果表明定位的相对误差在19mm以内,得出双目视觉系统能相对准确对黄瓜的空间位置进行定位。