现代农业要求农业机械的自动化和智能化,所以识别系统的研究为果蔬的自动化采摘打下基础。本课题的主要研究内容是基于卷积神经网络的芒果识别双目立体视觉系统的研究。通过双目视觉的图像摄取芒果图像后经过图像预处理,采用卷积神经网络智能算法的深度学习进行特征提取,最终达到对芒果目标的有效识别功能。为了解决传统的图像处理方式在面对芒果复杂环境下特征信息提取能力不足而造成的目标识别率低的问题。采用增加图像的边缘预测来实现对特征信息进一步的提取和丰富。为进一步对特征信息的深度处理,采取对图像特征编码和汇聚实现图像特征信息的量化处理,使得最大程度的保存目标的特征信息。在卷积神经网络的算法设计中,其结构多样性和差异性明显。因此衍生出了很多的算法模型,这些算法模型各有特点和优势以及不足之处。所以寻找一款适合芒果目标的高效识别算法是解决问题的关键。为此,通过采取对多种卷积神经网络算法结构进行了分析和比较。具体对比了卷积神经网络中R-CNN(Region-convolution neural network)、DenseNet(Dense network)、YOLO(You only look once)三种算法结构,最终确定在YOLO算法的基础上进行改进来作为本次试验的核心算法。为了使YOLO算法更加的适用芒果目标的识别,针对当下的识别问题采用了三个方面的适用性改进方法。主要有基于网络深度的改进、基于空间金字塔下采样层的引入和基于网络训练策越的改进方法。最后对改进算法与其他网络模型进行了算法复杂度的分析比较,验证了改进算法的可行性和优越性。在试验方案流程设计中,为了解决系统的适用性问题。在目标样本信息采集时通过采用调整图像采集时间、地点等环境因素,充分保证样本信息的多样性和完整性。最后,在芒果识别系统检测实验数据处理上,对改进的YOLO算法和原始YOLO以及R-CNN算法进行了识别度上的数据对比和分析。通过对比各算法的准确率和召回率验证了改进的YOLO算法的在识别精度上的提高,在应对杂物遮挡和果实重叠的芒果图像时表现了识别的优势。