自2017年以来,我国番茄种植面积和产量稳居世界第一,年产量5500多万吨,约占蔬菜总产量的7%。随着当前社会工业化与信息化的推进,传统人工采摘质量差、效率低的弊端逐渐显现。近年来,人们对新鲜蔬果的品质要求越来越高,且随着我国的人口老龄化问题日趋严重,传统农业面临着劳动力资源不足的难题。本课题基于双目立体视觉与深度学习算法,研究成熟番茄的识别与定位,对实现番茄的快速自动采摘具有重要意义。针对实际温室应用环境条件下,机器视觉番茄采摘过程中不可避免的受到太阳辐射折射光变换、果实与枝叶颜色相近、枝叶遮挡和果实遮挡与重叠等影响,及设施农业自动化发展对番茄采摘机器人的应用需求,提出了一种基于双目视觉与深度学习的番茄目标识别与定位算法。本课题主要研究内容及成果如下:（1）基于成熟番茄目标识别图像处理技术研究。在不同时间、角度和距离条件下,采用Bumblebee Xb3双目相机获取10560张实际应用环境中的番茄图像,经RGB、HSV和Lab三种颜色空间模型对比分析,对采集到的图像数据进行预处理,利用图像增强和图像滤波改善采集图片质量,最后利用Label Img软件对处理后的图像进行标定,建立训练集和测试集。结果显示:RGB每个通道的图像番茄与背景的差异都比较明显,并且保留了丰富的纹理特征;对番茄图像进行增强（直方图均衡化）和中值滤波,消除原始图像中存在的噪声,提高算法的处理速度和运算能力,提高番茄目标的识别率。（2）基于VGG网络的Faster-RCNN算法的番茄多目标识别研究。采用小批量梯度下降法训练YOLO V3算法、SSD算法和Faster R-CNN算法。结果显示:基于Darknet-53网络的YOLO V3算法其稳定状态下的模型的AP值为0.885,识别速度为0.107 s/幅;基于VGG网络的SSD算法,模型的AP为0.905,识别速度为0.096 s/幅;Faster R-CNN也是基于VGG网络,使用区域推荐网络（RPN）来检测目标,其AP值达0.930,识别速度为0.115 s/幅,虽与另外两种算法相比识别速度较低,但是识别精度最高,且将来还有优化的空间,因此本文最终选择了具有较高性能,高精度的Faster R-CNN算法应用于实际环境下的多目标识别。（3）基于番茄采摘中心点的三维空间定位实验。通过研究摄像机成像模型以及双目标定原理,利用MATLAB对双目摄像机进行标定,得到双目摄像机的内外参数,基于双目立体匹配原理,选定使用SIFT特征点匹配方法对成熟番茄进行定位,并运用RANSAC算法消除大量的误匹配点,提高定位准确率,最后基于三角测距原理设计并实现了番茄三维实验。结果显示:实测与模型测量距离误差在15 mm之内,相对误差在5%以内,满足温室环境下自动番茄采摘机器人视觉系统的需求。本文基于双目视觉和深度学习,完成了对成熟番茄的识别与定位,为研究果蔬采摘机器人在温室环境中的应用奠定了基础。