日光温室中番茄生长状态的检测是番茄生产过程中十分重要的一环。目前实现日光温室中番茄生长状态检测的主要方法是人工检测,这种检测方式不仅需要病害知识经验丰富的人员定时记录,增加人工成本。并且在夜间等暗光环境下无法进行有效的检测与记录,导致无法快速应对时效性强的病害问题及其他突发状况。因此本文结合了数字图像处理技术以及目标检测的深度学习算法,提出了一种基于数字图像处理技术的日光温室内番茄生长状态的检测研究。针对复杂光环境下识别困难的问题对目标检测模型进行改进,优化模型的信息传递方式,并基于该模型开发了一款夜间番茄图像快速识别软件。主要工作和结论如下:（1）通过对YOLOv5目标检测模型的工作原理进行分析,将YOLOv5的网络架构进行拆分,建立改进型YOLOv5的夜间番茄目标检测模型。引入anchor计算函数进行机器学习,提高了抓取小目标特征值的效率,减小了真实检测框偏离程度,并提高了被遮挡物体的识别精度;利用CIOU损失函数代替原有的GIOU损失函数,增加了中心点距离度量,可以直接最小化两个目标框的距离,提高收敛速度。完成模型的修正后在相同环境的番茄图像数据下与传统YOLOv5目标检测模型以及Faster R-CNN模型进行对比试验。实验表明:改进后模型的检测时间为传统CNN模型的6.7倍,交并比较改进后YOLOv5低了3.5%,说明了改进后YOLOv5对提取不同番茄果实特征信息与区分背景与目标信息的能力更为突出,改进型YOLOv5目标检测模型的鲁棒性和检测精度有明显提升。（2）改进了数据增强模式,引入主动学习策略代替原有马赛克数据增强处理番茄表面缺陷的图像数据,解决了模型大小和识别精度不兼容的问题,减小了人工标注成本,提高标注效率;将原有的特征金字塔网络结构替换为AF-FPN网络结构,并融入并行模式中的注意力机制和特征增强模块来减少特征图生成过程中的信息丢失,提高运算速度。利用优化后YOLOv5目标检测模型与传统模型进行对比试验,实验结果表明优化后的模型识别精度提高了3个百分点,速度提高了1.6个百分点。（3）基于改进型YOLOv5目标检测模型的架构开发了一款夜间番茄识别的手机应用,对网络模型的架构进行适配性的调整,能够使软件适配手机端安卓系统。将改进型YOLOv5模型制作的手机应用与传统模型开发的手机应用进行对比试验,试验结果表明:改进后目标检测模型的手机应用对不同成熟情况的单果识别精度可达100%,对于遮挡情况下的多果识别精度可达96%,对比传统目标检测模型的手机应用相比识别精度与速度均有提高。