在农业生产中,产量预测、精准农业和自动化收获等农业应用,需要从低成本的传感器设备中得到数据,从而推断当前植物的状态。随着人工智能的发展,价格适中的相机与计算机视觉技术相结合的图像处理技术被广泛应用于农业自动化领域。在农业领域,图像处理技术已经被验证是一种有效的方法,可以用来解决农业生产过程中的部分难题。将图像处理技术应用于现代农业,可以提高农业生产以维持市场需求,并通过各种自动化农业技术为农民提供及时的信息。在葡萄簇分割任务中,实现葡萄簇的分割是对葡萄产量估计和劳动力需求预测比较直接的方式。在果园的自然环境下,由于光照、阴影、果实遮挡与重叠、背景环境以及树叶与果实颜色相近等因素,都会对葡萄簇的准确分割造成一定影响。在数据集中还存在样本不平衡问题,在网络学习过程中给予所有像素相同的关注度,不利于困难样本的学习。针对边缘模糊的图像,对卷积神经网络的低级边缘特征进行提取,并与解码器侧特征融合可以提高分割的精度。本文针对自然环境下的葡萄簇的分割问题展开研究,改进分割模型损失函数和网络结构。本文的研究包括以下三个方面:（1）提出新的复合损失函数。对目前公开的葡萄簇数据集WGISD进行分析,将经典的分割损失函数与加权批量核范数最大化理论相结合构造新的复合损失函数。该损失函数更加关注数据集中形状复杂、背景与前景对比度低的困难样本和样本中的困难像素。提出的损失函数可以提高网络模型对于葡萄簇的判别性,减少错误分割。（2）构造了一个自适应调节机制。为了能够使模型在训练过程中根据损失值的变化,不断调整经典分割损失函数与加权批量核范数最大化损失函数之间的权重,使模型在能够保证分割准确率的同时实现对困难样本的挖掘,还能够使网络快速收敛。（3）改进Transfuse模型实现对葡萄簇数据集WGISD的分割。Transfuse是融合Transformer和卷积神经网络的分割模型。Transformer具有优越的全局上下文信息建模能力,卷积神经网络捕捉细节特征的能力强,Transfuse集成了两种模型的优点。卷积神经网络浅层具有丰富的空间信息,因此从卷积神经网络分支的编码器中提取边缘特征用来引导Transfuse分割网络,可以优化最终的分割结果。综述所述,本文提出新的损失函数和权重动态调节机制,使网络在不降低准确率的同时偏向困难样本学习。在Transfuse网络模型中融合边缘信息,优化分割结果。两种改进方法均在葡萄簇分割数据集中进行实验,与现有分割方法进行对比,验证了改进模型的有效性。