近些年来,冰雪霜冻等恶劣天气在全球范围内时有发生,对飞机等航空交通运输工具的飞行安全产生了很大的威胁。因此,快速的去除飞机表面的积雪和冰层对保障安全飞行具有很强的理论和实际意义。本文针对蒸汽射流除冰车除冰过程中执行机构定位不够精确、除冰效率低等问题,提出了一种基于计算机视觉的执行机构的自动定位方法,并经过实验验证,该方法能够较大的提高除冰效率,节约时间和资源。首先本文基于深度学习边缘检测算法进行探究,并将传统边缘检测算法和基于深度学习的边缘检测算法进行了对比,实验证明基于深度学习的边缘检测算法对不同光照和背景有更强的抗干扰能力,更好的检测效果和更强的鲁棒性。针对RCF网络下采样次数较多,得到的边缘过于宽大,不利于二维图像中的目标定位等问题,本文提出了采用扩张卷积的同时减少池化层的改进方法,并制作目标数据集进行训练和测试,实验结果显示改进后的RCF网络能得到更加精细的边缘。其次应用图像处理方法,对边缘图像进行灰度化、二值化处理,并根据实际情况对概率霍夫变换进行改进,进行线段筛选和交点计算,在边缘图中对喷头和机翼进行了目标定位。在此基础上,研究了基于Kinect相机的三维定位算法,并对视觉系统进行标定,将边缘图像中的目标定位转换到基座坐标系下的三维空间定位。最后本文结合深度学习和基于Kinect相机的三维定位方法,搭建了飞机除冰车执行机构完整的自动定位系统,对飞机除冰车的臂架系统进行了运动学分析和仿真,并进行了定位和除冰实验,实验结果表明本文提出的定位方法具有较高的实时性和定位精度,提高了除冰率,具有很强的通用性和场景适应性。