近年来,随着工业自动化、信息化、智能化的发展,对车间生产物资运输也有了更高的要求,通过自动导引运输车（Automated Guided Vehicle,AGV）来完成物流调度已逐渐成为最佳解决方案。视觉引导的AGV具有易于维护、布局灵活等优点,本文着力于将计算机视觉运用于车间AGV定位导航,将全局视觉下AGV定位任务根据AGV外形变化分为外形特征微小变化的AGV定位和外形特征大变化的AGV定位。目前全局视觉定位方式仅研究了微小特征变化时AGV定位,并且定位算法受光照影响较大等问题。本文研究不同情景下的车间AGV全局视觉定位算法,主要内容如下:（1）当车间AGV外形信息已知并变化较小时,本文提出一种基于深度学习的目标检测的方式进行定位。训练YOLOv3模型检测AGV,在后续帧根据AGV中心点与AGV特征点位置关系利用卡尔曼滤波定位AGV,提高定位速度,利用巴氏系数设计评价器判断定位结果是否准确,并在关键帧使用YOLO检测,矫正定位结果。（2）针对车间AGV不易做标记、负载后拍摄到外形会发生变化的情况,基于移动目标检测和目标追踪设计了一套车间AGV定位流程。为提高定位速度及检测效果,引入图像金字塔模型,在下采样图像上进行移动目标检测,并利用显著性目标检测针对选择区域过大的情况进一步提高定位精度,将检测结果作为AGV初始选择框,与基于相关滤波的目标追踪方法结合对AGV进行定位。（3）提出基于高斯混合模型的背景减除法改进算法。针对背景减除法检测移动目标时,易受背景光影变化影响导致检测结果范围偏大的问题,在基于高斯混合模型的检测结果下使用Frequency-tuned算法检测感兴趣区域,并将两次结果归一化,利用置信度结合,实验证明该改进算法可以有效降低背景阴影的影响。（4）为保证定位后的车间AGV能够运行至目标地点,根据模拟车间环境建立电子地图,比较了几种常用的电子地图建立方法,并基于栅格地图实验常用寻路算法,进行规划路径,将规划好的路径转换到监控视频像素坐标,找到一条行驶至目的地的最优路径。本文对设计的车间AGV识别定位算法进行定位精度和速度实验,将定位路径与实际路径比较,计算出间隔24帧YOLO检测一次,其余帧卡尔曼滤波和ORB结合定位时的平均误差为15.41mm,间隔3帧时本算法平均误差11.13mm。针对无法直接检测外形的AGV定位算法分别对改进移动目标检测算法和目标追踪算法进行实验,改进移动目标检测算法在300帧视频上检测结果的平均交并比为0.8,效果明显好于改进前算法;目标追踪过程平均误差为15.18mm。同时对转弯时角度进行测定,测量误差最大为1.13°,实验证明本文提出的定位方式可以满足定位要求,并可以满足车间各种运输场景。