近年来我国经济飞速发展,国民生活水平得到巨大的提高,蔬菜的消费量逐年扩大。番茄是我们日常生活中经常食用的蔬菜,它由于口味鲜美独特,广泛应用于各种菜品之中,并且大量用于番茄酱的制造,需求量很大。与此相对的是我国耕地的不断减少,能够栽培番茄的土地资源十分有限,想要解决这个问题最为有效的方法就是通过改善番茄的种质质量提高番茄的亩产。随着计算机性能的提升以及大数据时代的来临,深度学习展现出了其强大的性能,广泛应用于机器视觉、语音识别、自然语言分析等领域,不断超越传统的机器学习技术,并且目前仍存在着巨大的潜力等待挖掘。本文提出的基于深度学习的番茄种质选优技术针对番茄田的应用场景,通过对比分析近年来涌现出的一批目标检测算法的优缺点和具体的应用场景,最后以YOLOv3目标检测算法为基础并对其进行了改进,提出了针对番茄田应用场景的新目标检测算法YOLO-Tomato,使得其能够更好地识别番茄这种小目标并且有效的区分优质番茄和劣质番茄,之后对系统进行了测试,得到了比YOLOv3算法更好的检测结果,能够有效地应用于番茄的种质选优领域,从而实现选取优质番茄种质的自动化,帮助提升番茄产量,助力我国农业更好的发展。本文完成的主要工作包括如下几个方面:（1）介绍深度学习中的全连接神经网络、卷积神经网络等相关理论知识,查阅整理国内外的研究现状及相关理论,阐述近些年涌现出的RCNN系列、SSD、YOLO系列等目标检测算法的原理,并且对比这些目标检测算法的优缺点,为本文的实验部分提供理论支撑。（2）获取大量的,各种生长状况的番茄图片并制作成数据样本。由于目前网络上并没有番茄的开源数据集,而深度学习的本质是数据样本驱动的模型,大量的数据能够更好地训练出优秀的网络模型,从而更好地完成目标检测的工作。因此本文采用实地拍摄的手段采集了5000张左右的番茄图片,并且通过对图像进行平移、缩放、旋转等手段进行数据增强,扩大样本数量到6000张。（3）针对应用场景,分析所要完成的目标并对系统进行详细的设计,另外针对番茄田中番茄目标较小、优质与劣质番茄的特征区别不明显并且存在遮挡的应用场景,对于已有的YOLOv3算法进行改进,将原激活函数改为Mish激活函数;对检测输出网络进行改进优化;使用Soft-NMS算法代替NMS算法。利用测试集分别对YOLOv3网络模型和本文提出的改进的YOLOv3模型进行测试对比,发现本文提出的YOLO-Tomato算法的准确率相比于YOLOv3更好,证明了在番茄田场景中YOLO-Tomato算法有着更加优秀的检测能力。