苹果是我国的主要农业经济作物。近年来农业劳动力迅速向其他行业转移,农忙季节广大农村开始出现劳力荒,生产效率明显降低。果蔬生产的快速发展和农业劳动力短缺、劳动强度过大的矛盾日益显现。苹果采摘工作量巨大,需要借助机器人手段进一步提高效率和保证质量。因此,水果农作物采摘机器人的研究应用,对于减轻农业从业者的劳动强度、解放农业劳动力和提高果蔬的集约化生产水平具有重要的意义。采摘机器人的首要任务是利用视觉系统对成熟苹果目标进行的识别与定位。基于图像处理研究领域的相关算法,以实现果实的自动化检测、识别和定位,成为当前果实自动采摘机器人研发应用中的研究热点。在此背景下,开展对果实识别检测算法的优化研究显得尤为重要。果实识别检测算法不仅为果实识别算法在苹果采摘机器人的应用中提供理论和技术手段,而且在一定程度上弥补了高成本,高耗时等不足,在保证实时的同时提高识别的准确率,保证苹果采摘机器人的高效工作。本文的主要研究内容如下:1.为了解决现有技术存在的算法复杂度较高且（或）运行时间较长,未能较好的实现实时自适应的采摘操作的问题,提出一种用于苹果采摘机器人中果实目标识别的算法以实现成本低,精度高,实时性好,提高苹果采摘机器人的工作效率。基于全局亮度差异计算并融合色差法得到图像显著性结果,采用自适应图像分割和最大连通域分析检测得到目标果实区域。在此基础上,结合原图利用直方图反向投影算法进一步优化显著图结果。2.针对显著图中可能存在的重叠果实区域的问题。提出动态自适应重叠目标分离算法,并采用最大连通域分析定位出单一目标果实。最终,利用上述步骤得到初始轮廓,通过实时的deepsnake实例分割获得最终的目标果实。该方法可实现果实目标的实时检测定位和识别,为采摘机器人机械动作的实施提供先决条件,并且实现对于重叠果实的有效分离,极大提高了苹果采摘机器人的工作效率。对包含1036张自然环境下苹果图片的自建数据集进行测试,本文方法在基于分割结果计算的F-measure值为91.90%。由检测结果计算的IOU平均值为0.85,标准差为0.14。对无重叠遮挡,果实重叠,枝叶遮挡以及光照条件差的环境下目标果实检测准确率分别为99.12%,94.78%,90.71%,94.46%。综合检测准确率为95.66%,且在1036张测试图片中,平均每张测试图片处理时间为0.42s。3.通过网络资源以及在山东省淄博市沂源县实地采集了自然环境中1136张苹果图像,其中随机选取100张图片并通过图像增强处理获得300张训练数据集,剩余的1036张图片构成测试数据集。自建的1036张自然环境下苹果图片包含了多种品种的苹果,以及贴图案标签的,套塑料袋的苹果,不同光照条件下采集的图片,且图片中包含单个无遮挡,多个苹果果实,以及有枝叶遮挡,果实重叠的情况。