随着电动汽车在全球范围内的大规模推广,电动汽车自动化充电问题越来越受到人们的关注。目前,如何使用基于机器视觉的方式引导机器人完成自动化充电过程成为了该领域的研究热点。因此,本文主要对电动汽车自动充电机器人的视觉系统进行研究,深入研究视觉系统的搭建、充电口的检测和识别以及充电口的定位等问题。首先本文根据工作场景需求,进行视觉采集设备的选型,完成视觉系统的搭建,然后分析了视觉系统中的相机模型、手眼系统模型,并通过实验进行模型参数标定和精度验证,为后续检测和定位工作打下基础。然后对充电口的检测进行了研究。研究了传统充电口检测方法,针对传统检测方法中检测识别率低,鲁棒性差,速度慢等问题,提出了一种基于深度学习的充电口检测方法,并对其中的候选区域预测模块和区域分类识别模块结合本文场景进行了改进。在自建的数据集上训练和测试结果显示本文充电口检测算法相对于传统方法稳定性和实时性有较大提升。接着对充电口的定位问题进行了研究,使用基于点云配准的方法进行充电口位姿计算。对传统配准方法中充电口角度配准精度低的问题,提出了一种结合RMLS平滑的配准方法,通过保证充电口点云数据中典型特征的质量来提升配准精度,实验结果表明相比于直接进行配准,结合了RMLS平滑的配准方法角度误差更小,配准精度更高。最后在实验室环境下搭建了机器人自动化充电系统进行实验验证,通过手眼系统将深度相机采集的点云数据变换至机器人坐标系下,在机器人坐标系下进行配准和末端位姿解算,最后通过机器人轨迹规划实现充电口的插拔自动化。