传统农业生产在我国占突出地位,近年来,劳动力成本逐年升高,使用成本增长较小的机械进行代替能有效降低农业生产成本。随着计算机技术迅速发展,人工智能等信息技术日渐成熟。将农业机械和信息技术以及智能控制结合起来,构建新型的农业机械作业系统,将会是现代精准农业发展和前进的方向。在多种智能技术中,机器视觉是其中一项发展较为迅速的。通过对目标的物理特征进行图像采集、处理、分析、识别,可以实现自动的判断。我国是世界第一大柑橘的生产国,利用机器视觉技术进行树上柑橘的视觉定位与缺陷检测,能为柑橘采摘以及产量估计提供技术支持,对精准农业的实现和生产成本的控制起到有效作用。本文以四季桔柑橘作为研究对象,选择夜间自然环境下进行树上柑橘的识别计数与缺陷检测分类研究,主要研究内容如下:（1）设计并制作了在夜间自然环境中用于采集两种光源下柑橘图像的视觉系统。根据柑橘表皮的吸收光谱,实验并确定了适合的紫外光波长。为了获得稳定而较少干扰的光照环境,利用夜间外界光源较少的条件,在视觉系统上集成了白光光源和紫外光光源,实现了两种光源的切换控制,分别在两种光照下获取了同一拍摄角度的树上柑橘图像。（2）进行了夜间自然环境中树上柑橘果的识别与计数。对获取的白光图像进行了颜色模型分析,根据分析结果选择了YIQ颜色模型的I分量进行夜间柑橘品质检测,利用Otsu自动阈值法进行白光图像的I分量图分割去除背景,对去除背景后的白光柑橘图像边缘检测结果进行Hough圆检测,统计出柑橘果的个数并记录所在位置。将识别结果与人工判断结果进行比较,白光柑橘果识别计数的精确率为98.6%,召回率为91.7%,实验结果表明该识别算法能准确对柑橘图像进行计数。（3）进行了紫外光下柑橘缺陷的识别与分类。首先根据白光图像的圆检测结果在紫外光图像中去除背景,限定柑橘果区域,根据Lab颜色模型的a分量灰度直方图峰值个数判断图像中是否存在缺陷区域。然后对含有缺陷区域的图像使用改进的k-means聚类算法,分割出图像中被紫外光激发出荧光现象的柑橘缺陷区域。根据事先人工分类并统计的划伤果和皱缩果的荧光区域面积,设定分类基准,将缺陷分成划伤和皱缩两种类型。分别利用两种缺陷区域对原有柑橘果区域进行区域生长,找出缺陷区域所在的柑橘果,在紫外光图像中标出并计数,最终实现缺陷果的识别与分类。将计算结果与人工判断结果进行比较,缺陷果识别的精确率为99.8%,召回率为92.2%,准确率为97.0%;对缺陷果的分类中,427个真阳性样本只出现1例分类错误。实验结果表明:利用紫外光下的荧光现象对柑橘的缺陷识别有较高的准确率,可以为柑桔生产提供技术支持。本文结合多光源和机器视觉,对树上柑橘进行计数与品质检测,整个算法流程准确率达98.4%,平均运行时间为0.744 s。结果表明本文算法能有效检测夜间树上柑橘的品质状态,为柑橘的产量估计以及采摘机器人的夜间视觉智能化提供技术支持。