传统的除草方式往往没有兼顾除草质量和生态保护。因此,本文从生物学角度提出了一种损伤后施用除草剂的除草方法,并研制了一种智能行内除草机器人来评估作业性能。对照组的实验表明,损伤施药除草机器人在除草率方面明显优于纯机械除草,其更大的贡献在于减少机械除草作业的次数、降低能耗、减弱对生态环境的破坏。与化学除草相比,除草机器人依然实现了良好的除草率,同时最大限度地减少了除草剂的使用,避免了作物损害、杂草抗性和环境污染。在碳排放方面,损伤施药除草机器人的最佳碳排放比为9.456(碳输入为980.986 kg ha-1)。在最终测试区,机器人以1.8km/h的速度行驶,以60FPS的速度运行。实现了90.03%的除草率和1.95%的作物损伤率。同时,在这种模式下,仅使用了均匀施药所需除草剂的15.28%。这说明损伤施药除草机器人的环保特性完全符合可持续发展的理念,同时在工程实践的探索中表现良好。本文在分析现有行内除草模式的基础上,针对国内外传统作业模式存在的问题,提出了基于损伤施药的作业模式,结合了基于深度学习算法的目标检测技术,最终研制了一种智能行内除草机器人。本研究进行了前期的理论分析与验证,通过设计三维样机、对关键部件仿真分析、搭建模型并优化、设计并进行室内外试验等方法,不断优化了除草机器人的作业性能。本研究的主要内容和结论如下:（1）智能行内除草机器人工作原理与实体设计损伤施药除草机器人主要包括了机器人移动平台和智能行内除草单元。智能行内除草单元采用了先进的深度学习技术作为检测系统的核心,面对杂草进行有针对性作业。此外,该除草单元融合了机械除草与化学除草技术,各部件经过分析后均满足作业需求。末端执行器可以实现立体空间下的避苗过程,降低对作物的损伤。（2）智能行内除草机器人关键部件设计与分析在实际农田环境下进行了调研,测定了玉米秧苗的形态尺寸及其种植参数,测定结果用来指导智能除草机器人的关键部件设计,包括机架、传动机构、末端执行器和喷头装置等。使用ANSYS Workbench软件对机架进行了有限元静力学分析,得到最大形变位移值为2.0077mm,最大的应力值为10.387MPa,分析结果满足作业需求。传动机构控制末端执行器完成三维空间的旋转运动,控制系统进一步控制喷头配合末端执行器完成除草作业。使用EDEM软件对末端执行器进行了仿真分析,探究了末端执行器的作业性能。（3）创建基于深度学习技术的检测模型创建基于深度学习的检测模型需要进行两部分工作。第一部分工作是进行数据采集,采集对象为田间多个生长周期下的杂草和玉米苗,对采集到的数据进行清洗处理、特征增强和类别标记等操作,最终形成一个含有8000张图像及其对应标签的优质数据集。第二部分工作是确定检测系统核心,最终使用YOLOv5网络作为目标,使用制作完成的数据集喂入模型进行训练,设定迭代学习次数为300,最终得到准确率为98.34%,召回率为92.19%,m AP@0.5为97.83%的权重模型,模型性能表现出色。（4）除草策略制定与控制系统搭建针对田间复杂的杂草分布,我们制订了详细的控制层策略,提高作业精度,降低作物损伤。针对视觉系统检测到的信息我们进行了进一步处理和提取,主要包括了旋转的持续时间以及启动的滞后时间等。只有通过除草策略的判定以及对提取到信息的进一步处理,控制系统才可以进行针对性的除草作业。为了降低冲击与振动,在控制模型内添加了简化的S型加减速算法,通过对运动模型的仿真验证了运动的平稳性和流畅性。（5）智能行内除草机器人试验分析通过室内和室外试验对除草机器人的作业性能进行了验证。在室内试验中,分析了末端执行器测试试验的结果,优化了各项参数。在传送带实验中,在0.8m/s的前进速度下,取得了最佳的除草率93.26%。在田间试验中,视觉系统的试验表现良好,取得了96.89%的玉米检出率,94.21%的杂草检出率。在除草机器人的作业性能试验中,在十四天后取得了90.03%的除草率和1.95%的作物损伤率。此外,在这种模式下,仅使用了均匀施药所需除草剂的15.28%。在碳排放评估中,该模式实现了9.456的最佳碳排放比,其中碳输入为980.986kg ha-1。各项试验结果表明了损伤施药除草机器人取得了良好的作业性能,同时对可持续发展做出了贡献。