新疆棉花种植面积广泛,铺膜播种导致棉田残膜污染严重,残膜回收作业环境恶劣、工作量大,残膜回收的智能化、自动化和无人化是其主要的发展方向,在这其中,残膜回收的视觉导航是其重要的组成部分。本文以秋后残膜回收视觉导航为研究对象,针对秋后残膜回收分段作业和联合作业检测对象不同,提出三种不同的拖拉机作业路径检测算法,搭建转向控制部分,最终形成一套完整的秋后残膜回收视觉导航系统,通过试验田试验验证了系统的可行性和有效性,主要研究内容如下:（1）针对秋后分段残膜回收作业的视觉导航路径提取问题,讨论了不同机器学习算法以及不同纹理特征在根茬检测上的效果。首先,提取根茬、残膜和行间茎秆碎叶三类图片的灰度共生矩阵、灰度游程矩阵、局部二值模式三类纹理特征;其次,以检测根茬为目标,搭建并训练支持向量机、BP神经网络、随机森林三类机器学习分类器对样本图片进行分类;最后研究了小波变换纹理特征以及小波系数和原始图像的融合纹理特征在根茬检测上的效果。对于最终检测的根茬目标,提取根茬的特征点并通过最小二乘法拟合得到导航路径。（2）针对机器学习算法在根茬检测上速度较慢的问题,研究了深度学习中检测速度较快的YOLOv3检测网络,讨论了改进的YOLOv3网络在秋后残膜回收中根茬检测以及导航路径拟合的效果。传统的YOLOv3在小目标检测上效果不佳,改进了传统YOLOv3的Darknet-53检测框架,通过k-means++对预测锚点框进行重新聚类得到与改进框架匹配的锚点框,用于训练的根茬数据集通过分段标注完成,对于检测后的所有根茬目标,通过一种均值去噪方法去掉误检点,对去噪后的根茬提取特征点,通过最小二乘法拟合候补点得到导航线。（3）针对秋后残膜回收联合作业的视觉导航路径提取问题,讨论了Unet语义分割模型对于目标棉花秸秆行的分割效果。首先对拖拉机正对的棉花秸秆行进行标注;其次,基于Unet网络完成模型的训练和测试,训练后的网络能有效检测图像中的棉花秸秆区域;最后,对成功分割的所有秸秆行区域进行连通域面积去噪,对去噪后的拖拉机正对秸秆行区域轮廓点进行拟合得到最终的导航线。（4）针对试验选用的拖拉机,通过三维软件绘制转向执行机构和传感器安装部件,通过3D打印得到所有零部件实物并将所有零件成功装配到拖拉机上。通过MATLAB对控制算法进行仿真,将控制算法写入Arduino并通过串口与上位机路径检测部分进行通信。导航系统实地试验在石河子大学北校区校工厂试验田进行,试验选用了BP神经网络、改进的YOLOv3以及Unet三种路径检测算法。通过试验验证,拖拉机在慢一档以及光线良好的场景时,三种路径检测算法下的拖拉机均可以实现自主导航驾驶,证明了本文提出的路径检测算法具有可行性,能初步满足秋后残膜回收低速下的自主导航作业。