在实际生产需求中,运用机械化和自动化的设备去采摘成熟的果实已成为农业的趋势。人工采摘强度很大,成本高,并且在复杂自然环境下传统视觉系统识别效率低。视觉系统也是采摘机器人中的一个重要部分,因此对苹果采摘设备上的视觉系统的研究,对于进行苹果自动化采集有着很大意义。目前,控制采摘自动化设备性能提高的关键技术瓶颈大多聚集在目标识别、位置和控制技术等难点。本文主体以苹果采摘设备为主要研究对象,围绕着苹果采摘设备的目标识别、自动定位和控制技术方面进行了深入研究,内容包括对苹果摘取机器人系统的软硬件控制系统设计、图像处理、机器学习和视觉伺服等技术方面的基础理论研究、关键技术实施,以及测试验证。本文主要围绕苹果自动识别采摘的产业需要,着重探究了视觉采摘系统中的自然场景及多复杂环境下的动态目标识别检测定位的核心算法,并构建了苹果采摘设备的视觉采摘体系,该设备可以快速部署在小型的机械上,如果园采用的拖拉机等,为实现苹果自动采集提供有力的保障。本文的主要研究成果有以下几个方面:（1）建立了一个在自然场景下的苹果图像数据集。为提高苹果目标检测计算性能,建立了具有3017张苹果数据集,其中包含了不同光照折射、遮挡以及北方干旱地区种植场景等复杂环境下的图像信息,保证大量的数据处理基础。（2）在针对非结构环境下的苹果采摘机器人易受光线强度、折射等因素的影响,提出了一种多自然场景下进行识别定位的苹果视觉检测。该检测通过在复杂自然场景下的目标信息收集,完成特征信息的提取。构建YOLO神经网络去进行检测试验,识别精度达96.6%,能够有效的解决全天候复杂自然场景的识别问题。（3）提供了用于苹果采摘过程的机器人视觉采摘系统。设计完成了获取苹果三维空间位置的方法,完成了融合识别定位算法,规划出苹果采摘的方案,并开发出了苹果采摘设备的视觉定位系统,通过进行试验并对视觉定位系统进行了检测,试验结果表明了该视觉定位系统能够准确地测量和定位苹果位置空间信息。（4）为保障智能采摘设备在复杂地势和果园中平稳的运作,采用3D雷达技术来实时的反馈周围的环境信息,以此提高设备的环境感知能力。对比分析了采摘设备末端执行器的结构,将视觉系统和机械臂、行走机构等硬件设备进行了整合。通过在实验内的采摘抓取试验分析,平均抓取一个目标苹果保持在12s左右,能够满足苹果智能采摘设备的采摘需求。经过上述研究,本文对苹果自动采摘的问题展开了深入研究。提出的自然场景下的苹果视觉检测采摘系统,深度学习算法具有更高的适应度和识别精度,提高了全天候不同复杂自然场景下的苹果识别精度。并将开发的视觉控制系统与苹果采摘设备等硬件系统实现了融合,试验成果进一步证实了该视觉控制系统的准确性和设备的稳定性,为苹果自主采摘提供了有力保障。