中国是猕猴桃生产大国，然而，猕猴桃的人工采摘费工费时。在农村劳动力向城镇转移加速的背景下，用机器人采摘猕猴桃将成为解放劳动力、提高采摘效率的必然趋势。猕猴桃采摘机器人的首要任务是准确识别自然环境中生长的猕猴桃果实，因此，对猕猴桃果实的准确识别是猕猴桃采摘机器人的关键技术之一。本文针对复杂自然环境中生长的猕猴桃，进行了猕猴桃果实识别研究。实现了复杂背景和目标果实区域的准确分割，并对邻接、重叠和被遮挡果实区域中单个果实进行了准确的恢复和还原。主要研究内容和结论如下：（1）研究了机器视觉相关的理论，分析了田间猕猴桃的栽培方式以及影响猕猴桃采摘效果的各种因素。讨论了机器视觉软硬件的构成，对本文所用的硬件构成和软件实现以及图像采集方法进行了研究说明。（2）应用颜色空间中的单一颜色通道、色差法和K-means聚类方法，分别对同样的猕猴桃样本进行了分割实验。其中K-均值聚类方法选取La*b*空间中a*分量和b*分量进行聚类分析，色差法选择了R-G通道。结果显示，单一颜色通道不能将猕猴桃果实分割出来；R-G色差法不能将土壤和猕猴桃较好的分割，且树枝、果柄分割效果很差；K-means方法对于猕猴桃果实的边界信息提取不完整，过分割现象比较严重。因此，应用这些传统的果实分割方法效果不是很理想。（3）提出了基于Adaboost算法的果实分割方法。利用RGB、HSV、La*b*3个颜色空间中的1个或多个通道构建6个不同的弱分类器，用300个样本点训练生成1个强分类器。然后选择655个测试样本点进行验证，结果表明，强分类器分类精度高达94.20%，高于任意弱分类器。该算法能消除大部分背景，分割结果比色差法和K-means聚类法有了很大程度的提高，达到了理想的识别效果。（4）对不同算法的果实正确识别率进行比较、分析。从实验照片中随机抽取80幅图像，分别应用Adaboost、R-G色差法和K-means方法进行图像分割。用设定面积阈值、形态学运算和空洞填充等方法，去除初步图像分割后的不同类型的残余物，统计果实的识别率。对3种方法的识别结果进行对比，结果表明，Adaboost方法正确识别出的猕猴桃个数最多，识别率高达96.7%。（5）提出一种基于最小二乘椭圆拟合的对猕猴桃果实图轮廓恢复方法。通过对比分析，选用Canndy算子提取猕猴桃果实的边缘轮廓，计算猕猴桃果实轮廓的曲率，获取图像中光滑的轮廓曲线，利用最小二乘法实现对果实的恢复。