番茄作为世界三大贸易蔬菜之一,不仅具有较高的营养价值,而且种植面积广泛。我国是亚洲番茄产量最大的国家,同时也是鲜食和加工生产大国,鲜食番茄产量稳居世界第一,加工番茄产量居世界前三位。近年来,随着番茄制品毛利率逐年降低,减少生产成本迫在眉睫。虽然通过机械采摘的方法可以提高番茄采摘的生产效率,但番茄在机械采摘过程中存在混有未成熟果实导致资源浪费的问题。此外,部分需要长期贮藏的番茄果实需要在绿熟期进行采摘。因此,有必要在采摘前对番茄果实的成熟度进行有效识别,从而筛选出成熟度适宜的番茄果实进行机械采摘,且温室或大田环境下机械采摘设备硬件条件有限。本文为提高机械采摘番茄的准确率、实时性、适用性,结合计算机视觉技术、深度学习理论和生长模拟模型等,研究构建了基于YOLOv5的番茄果实成熟度识别模型及基于生理发育时间法的番茄生长发育模型。通过上述模型,在实现对温室环境中不同成熟度番茄果实高精度识别与预测的同时,有效减小模型大小、提高速度,从而实现温室或大田环境部署。本文主要研究内容和结果如下:（1）提出了基于YOLOv5s的番茄果实成熟度目标识别方法。在基于YOLOv5目标检测网络的基础上引入Faster R-CNN目标检测网络进行对比。首先,将番茄果实成熟度人工划分为绿熟、变色、粉红和红熟四个成熟阶段,并制作番茄果实成熟度数据集对目标检测网络进行训练,经过参数优化和模型结构调整,选择出最适番茄果实成熟度识别模型。试验结果表明,YOLOv5s目标检测网络对番茄果实成熟度识别的准确率为95.47%,召回率为89.19%,平均精度均值为96.76%,平均检测时间为9.3ms/幅,模型大小仅为23.9MB。能够有效识别出处于不同复杂环境中的番茄果实,具有较高的识别速度,成熟度识别效果较好,且模型内存占用较小,有利于在农业机械采摘设备上进行部署。（2）提出了基于生理发育时间法的番茄果实成熟期预测模型。依据同品种番茄生理发育时间恒定的原理,通过采集结果期番茄果实的发育日期及温度、光照情况,利用生理发育时间法建立了番茄果实生长发育的非线性模拟模型。分别模拟番茄果实在绿熟期-变色期、变色期-粉红期、粉红期-红熟期的生理发育日期。试验结果表明,模拟值与实测值的误差小于2日,RMSE分别为1.095,0.894,1.095,NRMSE分别为4.52%,24.83%,33.18%。模型模拟值与实测值之间存在着较高的一致性。通过对番茄进行高精度的果实成熟期预测可有效提高机械采摘识别效率。