随着我国农业智能化的不断提升,自动采摘技术成为农业采摘机器人重要组成部分。近几年,采摘机器人自动采摘技术研究任务中采摘对象的实时检测成为研究难点。为了提高采摘机器人对采摘对象的精准分类和定位,结合自然环境下百香果成熟度检测面临的实际问题,利用深度学习与图像处理相关技术进行百香果成熟度实时检测研究,并设计了百香果成熟度检测系统。本文主要研究内容如下:介绍了水果目标检测的研究现状,分析了卷积神经网络原理,列举了基于候选区域和回归的两种常用目标检测算法,进行了百香果数据集的采集、图像预处理以及数据集的制作。为了解决传统水果目标检测存在的局限性,提出基于RetinaNet百香果成熟度实时检测算法。分析了RetinaNet算法的基本原理,其以Res Net网络为基础网络进行特征的提取,采用特征金字塔FPN（Feature Pyramid Networks）进行多尺度特征信息融合,通过分类子网络和回归子网络进行目标对象的分类和定位。为了进一步提高检测的准确性,对RetinaNet进行优化,在分类子网络中添加卷积块注意力机制模块CBAM（Convolutional Block Attention Module）来加强特征信息更为细致的提取以便提高网络的分类准确性,再使用优化算法Adam（Adaptive Moment Estimation）来优化网络模型的参数和加快模型的训练速度。通过损失曲线、平均精度曲线和PR曲线,结合不同算法检测结果对比,验证了该算法的优良性能。为了进一步解决自然环境下百香果成熟度检测精度和实时性问题,提出基于YOLOv3百香果成熟度实时检测算法。以DarkNet53主干网络、K均值聚类标注锚框值及多尺度融合预测阐述了YOLOv3算法原理。针对百香果小目标对象和减少漏检、误检的产生,对YOLOv3进行优化,删除YOLOv3大物体预测尺度并在中型物体预测尺度后添加Densenet网络增强特征传播提高模型的检测精度,采用Soft-NMS（NonMaximum Suppression）方法进行预测框的筛选。经实验验证,改进YOLOv3算法的平均精度均值达到0.906,与原算法相比平均精度均值提高了0.0828,检测速度达到32FPS,满足自然环境下百香果成熟度实时检测。经过对百香果成熟度检测进行实际需求分析,设计了百香果成熟度检测系统。其内部嵌入已训练完成的基于RetinaNet和基于YOLOv3的算法模型,分别用于百香果图片的分类和定位;扩充了图像预处理功能并对系统界面和各个功能模块进行了阐述,实验结果表明该系统具有较好的稳定性、操作简单、使用便捷等实际应用价值。