深度学习技术作为一种新兴科技是指机器在经过大量“学习”后可以代替人力进行工作。近年来,深度学习技术已广泛应用于农产品的种植、管理等过程,但应用区域主要集中在病虫害识别、杂草识别、果实采摘等方面,对农作物花期自动识别与辅助授粉的应用研究较少。实现花期有效识别对提高果实产量和品质有着至关重要的作用,并能够进一步推动智能化温室大棚的推广。传统的计算机视觉技术检测效率不高,检测准确度低且模型鲁棒性差,易受外界环境与外部条件制约。基于以上问题与现状,本文将基于深度学习的计算机视觉技术实际应用于农业生产中,具体研究内容如下:（1）为初步探讨深度学习在农业生产中的应用,先将基于深度学习的卷积神经网络应用于青椒品质检测,以探明其在简单图像轮廓识别应用中的优势。实验证明,卷积神经网络的应用较好完成了青椒质量分类任务,解决了青椒质检过程中因体积小、数量多造成的分类困难,与传统分类方法相比具有明显优势。（2）为进一步提高分类模型的分类效率,使用迁移学习的方法,将预训练特征提取网络与传统机器学习分类器相结合。首先,将原图像作为输入,利用卷积神经网络进行特征提取,解决了传统模型特征提取困难的问题;其次,将机器学习分类算法作为特征分类器,提高了特征分类的效率;最后,使用迁移学习的方法将已有的性能先进的预训练网络作为特征提取器,通过在多类别果蔬数据集上进行实验,获得了99.1%的分类精度,AUC值达到了0.9996,提高了模型训练效率、增强了模型鲁棒性并对过拟合现象起到了抑制作用。（3）为解决茄花自动授粉中的花期识别与定位问题,增强茄花的授粉管理,提升茄子种植效益,提出一种基于Mask R-CNN的茄花花期识别模型,并针对原网络目标识别精度欠缺、对大目标物存在误检和漏检的问题进行了改进。首先,使用双边滤波算法对图像进行预处理以达到保边去噪的目的;其次,提出融合混合空洞卷积的方法,使模型在特征提取过程中获得更大感受野,提高对大目标物的分割精度;最后,使用迁移学习的方法使模型降低了过拟合风险的同时获得更快的拟合速度。运用改进的模型在测试集上的mAP（平均精确率,Mean Average Precision）为0.962,mIOU（平均交并比,Mean Intersection over Union）为0.715。实验证明,改进的模型一方面能准确识别茄花花期并将其从背景中分割出来;另一方面,对大目标物的分割精度有了明显提升。