随着人工智能和计算机视觉等技术的快速发展,智慧农业迎来了空前的发展机遇,其中目标检测跟踪技术表现出了极大的应用价值,该技术对于实现果实产量统计、果实自动采摘、果实长势分析和果园自动化管理具有重要现实意义。其中,收获果实之前准确地估计果园产量,有助于种植者更好地制定果实收获作业计划和市场营销策略,帮助农民种植者带来更多的经济效益;在未来,将有助于部署采摘机器人工作策略,使其高效地完成采摘任务,实现果园智能化生产。本研究以田间柑橘作为研究对象,研究目标是利用果实检测跟踪技术对采集的田间果实视频序列进行处理,统计出视频序列中柑橘果实数量。然而,在实际田间环境下,柑橘果实尺度较小、生长密集,被树叶遮挡以及柑橘果实之间遮挡情况严重,导致难以准确检测出每个果实目标,从而影响产量估计准确性。针对以上问题,本文设计了一套基于深度学习的果实检测跟踪计数系统,主要研究内容如下:（1）面向数据终端的田间果实检测算法Orange Yolo。此算法主要应用于计算能力强的大型数据终端平台,比如NVIDIA Geforce GTX 1080Ti。首先基于特征图感受野与目标尺度相匹配的原则,通过对田间柑橘数据集进行K-means统计分析,以Dark Net53为主干网络,在保证多尺度目标检测功能基础上,设计了一种检测小尺度目标的网络结构。其次,为了高效融合不同卷积层特征的关键信息,设计了一种基于通道注意力和空间注意力的双注意力多尺度融合模块（Dual-Attention Multi-scale Fusion,DAMF）,增强融合特征的通道特性和空间特性,并自适应地将深层网络的语义特征与浅层纹理细节特征相融合,提升小尺度果实检测精度。（2）面向边缘设备的轻量化果实检测算法Orange Yolo-Light。此算法主要应用于计算能力较小的轻量化、便携式计算平台,如NVIDIA Jetson Xavier NX。首先基于CSPNet网络结构,设计了一种轻量级的网络模型Light-CSPNet,在保证良好精度的同时,降低网络复杂度和计算量,大幅度提高了检测速度,实现在轻量化设备Jetson Xavier NX上实时推理运算。其次,设计了一种深浅层特征融合模块,将浅层、中层、深层特征进行融合,并利用三个不同尺度融合特征进行果实检测,大幅度提高小目标定位精度。（3）田间果实多目标跟踪计数算法Orange Sort。首先通过分析田间果实视频序列中果实目标移动特性,对多目标跟踪算法Sort进行改进,提出一种基于运动位移相似性进行目标位置估计方法,有效减少跟踪过程出现的目标ID频繁变换状况。其次,通过分析柑橘果实在全局视频序列中的复杂遮挡情况,提出了一种特定跟踪区域计数策略,在全局视频序列中画定计数区域,仅对计数区域内的果实进行跟踪计数,以克服全局视频序列中果实复杂遮挡情况所导致的果实重复计数问题。本文利用采集的田间柑橘视频数据分别进行检测算法和跟踪计数算法的实验,面向数据终端的田间果实检测算法Orange Yolo的平均检测精度达到0.938;面向边缘设备的轻量化果实检测算法Orange Yolo-Light在Jetson Xavier NX上的平均检测精度达到0.930,推理速度达到21.3fps;果实多目标跟踪计数算法Orange Sort在六段柑橘视频序列的平均计数误差仅为0.081。结果表明,本文的果实检测算法检测精度和推理速度均取得了较高的性能,能够在田间环境下快速精准的完成果实检测任务,并且果实跟踪计数算法的计数精确度也达到了较高的水平,具有实际应用价值。