林草环境中蕴藏丰富的自然资源,其保护与开发对于生态环境及人类活动具有重要意义。随着机器人技术以及计算机视觉技术的发展,利用机器人替代人工完成巡检工作并在火灾发生时进入救援人员难以到达的区域,成为林草装备智能化发展的一个重要方向。构建机器人视觉检测系统,实现图像信息采集并利用计算机视觉技术完成相应的目标智能检测,也成为了林草装备智能化的重要任务之一。研究中围绕林草火灾的地面巡检任务,设计了一种林草巡检机器人,通过比较不同的机器人运动结构选择了一种履带式运动底盘结构,重点围绕视觉系统的构建设计了一种三目结构的图像采集装置,以神经网络、目标检测理论为基础,完成林草火灾识别网络的搭建并进行林草火灾检测;以双目视觉理论为基础并结合立体匹配算法针对林草高温区域进行定位研究,具体研究内容如下:（1）实现林草巡检机器人的视觉系统硬件设计,主要完成机器人运动结构、可见光相机以及热像仪的选型,提出了一种三目视觉结构。结合林草环境特点确定履带式结构作为巡检机器人运动结构,比较分析不同厂商的不同类型履带式运动底盘确定极创科技KOMODO-02作为最终的选型;考虑可见光相机的视野范围、焦距、触发方式等因素选取大恒MER-139-210U3C作为巡检机器人的可见光采集的硬件设备;利用FOTRIC-716热像仪配合可见光相机完成辅助检测;利用两个可见光相机和热像仪搭建巡检机器人的视觉检测系统并设计支撑三目视觉系统的机械结构;根据相机和热像仪的硬件接口控制协议,利用Intel NUC8i5BEK运算平台构建了三目视觉系统的触发装置。（2）采集数据构建了NEFU-Fire林草火灾数据集,利用实时性检测强的YOLO v4-Tiny网络进行火灾检测。利用Label Img进行数据标注,以PACSAL VOC标准数据集结构为基础构成研究中使用的NEFU-Fire林草火灾数据集;将YOLO v4-Tiny网络引入林草火灾检测,针对该网络中利用K-means算法进行先验框的聚类的IOU计算公式,引入CIOU思想,考虑先验框之间的距离、长宽比等因素,优化K-means中的距离计算方法;分析IOU与k值关系,设置聚类簇为4,学习率分段设置加快收敛速度,对比分析YOLO v4、YOLO v4-Tiny以及研究中所提出的算法的损失函数、收敛速度、检测时间以及检测精度等指标,证明研究中提出的算法的可行性。（3）进行林草高温区域定位研究。林草火灾检测不能提供火灾的具体位置,为了能够为机器人快速扑灭火灾提供引导,利用双目视觉理论并结合热像仪图像特点进行定位研究。首先对双目可见光系统进行参数标定以及校正;其次,由于林草环境往往存在遮挡等问题,为了让弥补可见光相机的缺陷,在研究过程中将热像仪图像与可见光图像相结合,利用图像线性混合原理获取多源信息图像;并利用SGBM立体匹配算法获取目标位置,完成定位研究。综上,为保护林草资源环境同时提升林草火灾检测效率,研究中利用相机、热像仪等完成林草智能巡检机器人视觉检测系统硬件平台的搭建,引入YOLO v4-Tiny网络及完成火灾检测,利用双目视觉及图像线性混合理论完成林草高温区域的定位研究。实验结果表明,林草巡检机器人的视觉检测系统能够完成监测任务、及时发现林草火灾并进行定位,极大地提升了林草保护的效率,对于林草环境保护及林草智能化发展具有一定的推进作用。