杨梅是浙江省重要的农果经济作物,稳居果树产值第一。然而由于杨梅树大多种植在山地丘陵地区且种植分散,致使果树种植与管理耗费大量的人力物力,因此采取自动化的方法提取杨梅树株数,实现大规模、分散果园的高效管理。但是使用卫星遥感图像提取果树往往面临方法流程繁琐、人力成本高、耗时长等问题。随着计算机软硬件的发展,基于深度神经网络的目标识别方法逐渐应用于农业、交通、医疗等行业。本文提出应用深度神经网络YOLOv4模型,实现低空无人机杨梅树果树自动识别与株数统计。YOLOv4模型使用Mish激活函数和Dropblock正则化方法,实现更大的网络输入和更小的目标检测优化,同时通过改进传统损失函数提升网络检测准确度,使用空间金字塔池化方法分离出重要的上下文特征且几乎不会降低网络操作速度,采用路径聚合网络（Path Aggregation Network,PANet）结构实现深层次的多尺度特征融合与提取。以浙江某地杨梅树无人机影像为数据源,主要研究内容如下:（1）杨梅树数据集特征提取网络研究。杨梅树数据集目标类型单一却复杂,测试YOLOv4-tiny与YOLOv4网络提取目标特征的性能,通过分析选出最适合杨梅树目标提取的特征提取网络。（2）最优YOLOv4模型选择。使用K-Means方法聚类出杨梅树数据集的先验框（Anchor box）,评估先验框对检测效果的提升结果。通过测试模型平均准确率（Avergae Precision,AP）值选择最优权重模型,进而调整模型阈值参数选择最优阈值,最终获得最优YOLOv4模型为训练2400次时的模型,阈值参数为0.25。（3）最优YOLOv4模型测试评价。测试最优YOLOv4模型在稀疏、稠密、强背景、弱背景、顺光、逆光和侧光数据集中的表现,并对比YOLOv3、Faster R-CNN模型和多尺度分割算法结果。结果表明最优YOLOv4模型在整体的模型测试上获得最高检测性能,精度为90.12%,召回率达到96.03%,F1值为0.9298,整体性能评价高出其他模型0.1-0.2个点。（4）测试样地杨梅树统计结果评估。首先对测试样地数据使用重叠分割策略,应用最优YOLOv4模型获得样地识别结果。使用DIOU＿NMS方法去除识别结果中的重复预测框,并采用K-Means聚类出阈值以去除无效切割检测框,最终获得样地株数统计结果。其整体识别结果的平均精确率与召回率分别达到97.3%和97.69%,充分验证了最优YOLOv4模型的实用性、适用性和统计方法对大面积果树统计的有效性。