随着我国经济快速的发展和科学技术的进步,农业生产作业从农业机械化生产正在逐步过渡到农业智能化生产,其中农业装备智能化机器人是智慧农业生产过程中最重要的一环。番茄作为农业作物,在我国具有极大的栽培面积和消费市场,其中温室番茄种植由于其种植条件可控,成为农业智能化机器人研究对象。利用深度学习计算机视觉算法,通过大数据训练可准确的识别出预设的目标,实现端到端的检测。本文研究基于深度学习的温室番茄植株多目标识别方法,解决农业智能化机器人作业过程中的视觉系统对于番茄果实和茎秆等对象的多目标信息的感知和获取技术,从而实现温室番茄果实识别部署系统。本文主要的研究内容和工作有:（1）分析了基于深度学习番茄果实的多目标识别算法,选用YOLOv3目标检测算法进行研究并针对其算法的损失函数进行了改进,训练后的最优模型应用于温室番茄果实的多目标识别。首先,针对传统YOLOv3算法的损失函数利用基于广义交并比（GIOU）的位置损失函数进行改进;其次,在温室番茄种植工况条件采集番茄红绿果实图像,并通过图像扩增等一系列图像预处理,通过标注整理得到单张图像大小不超过416×416像素以及数据量为4000张的番茄果实图像数据集,利用K-means聚类算法获得9个不同规格的先验框对训练文件进行配置。最后通过模型训练得到最优模型,其平均精度均值mAP为95.7%,具备实时性,单幅图像处理耗时15ms。检测结果可以为智能化番茄收获机器人对于果实视觉定位提供技术基础。（2）分析了基于深度学习番茄茎秆的多目标识别方法,选用了Mask-RCNN目标分割算法进行研究,并将其对茎秆的识别其应用于番茄整枝作业中作业点的获取。首先,基于Mask-RCNN目标分割算法针对番茄茎秆多目标识别进行深度模型训练。在番茄温室种植条件下,采集的番茄茎秆图像,通过图像扩增等一系列图像预处理手段,通过标注整理得到单张图像大小不超过800×800像素以及数据量为3000张的番茄茎秆图像数据集,利用目标分割算法Mask-RCNN进行对番茄茎秆数据集进行深度模型训练,得到最优模型,其对象边界框和分割的平均精度均值mAP值分别为89%和68%。其次,对茎秆推理识别图像的基础上,进行二值化处理,对轮廓利用图像处理进行拟合直线。最后,通过拟合直线交点设计方法获得整枝作业点,为智能化番茄整枝机器人现实中茎秆作业点提供技术基础。（3）设计规划了温室番茄果实识别部署系统。在上述工作的基础上,提出部署系统设计需求,针对需求进行可行性分析。其次,基于软硬件条件,设计系统总体框架结构。最后,分别设计结构中的单独模块,基于改进的YOLOv3番茄果实检测最优模型,开发图形界面,实现了番茄果实图像实时检测和番茄实时视频检测。该部署系统进一步促进了农业智能化设备的普及与应用。