低延迟、高精度的图像分类算法在工业机器人辅助嵌入式设备上的应用始终是实际工程中关注的关键技术问题和科学研究的热点问题之一。目前研究较成熟的图像分类算法主要有基于传统图像处理技术和基于深度学习的图像分类技术,然而在微型嵌入式设备上移植图像分类算法在保持较高的图像分类精度和实时性方面都存在一定的限制。因此,从嵌入式设备软硬件设计和优化轻量级卷积神经网络网络模型这一新的角度来研究基于嵌入式设备的图像分类技术具有重要的研究意义。本文以工业花卉自动化分拣作业为工程背景,以微型嵌入式设备为具体的研究对象,根据本系统要求对花卉图像快速准确分类的特点引入优化轻量级网络模型的思想。从微型嵌入式设备的实际项目需求、图像分类网络模型的选取、以及模型优化几个方面着手,对基于深度分离卷积神经网络的机器人花卉分拣系统进行深入研究。论文主要研究工作如下:通过查阅大量国内外文献,对目前卷积神经网络的研究现状、花卉图像分类方法以及视觉算法在机器人自动分拣的应用进行了总结和分析比较,总结了值得进一步深入研究的问题。并且在目前大量对图像分类优化算法文献的启发下,指出从轻量级卷积神经网络模型入手来研究具备有限计算资源的微型嵌入式设备的花卉图像分类算法具有重要的研究意义。针对当前市场上微型嵌入式设备的软硬件设计,深入考察对比了每一种方案的优缺点,其中作为该设备开发最重要的部分为主控CPU芯片的选择。既满足较高的计算能力又可处于低功耗运行应是本系统最佳选择,辅以其他外围组件即可满足公司的实际项目需求。针对工业花卉包装自动化分拣领域的实际应用场景中出现花卉图像分类算法模型参数过大,分拣精度不高的问题,采用微型嵌入式设备作为包装机器人的“眼睛”,基于一种深度分离卷积神经网络提取花卉特征,并详细分析了网络模型结构;为了提高模型的训练速度,提出了一种微调的模型训练方法,PC端仿真结果表明,所采用的花卉图像分类算法准确率更高、稳定性更好,最后将训练好的模型压缩优化,搭建开发环境,将算法模型移植到微型嵌入式设备并评价其分类效果。