机器人采摘是农业机械化和自动化的趋势，利用机器视觉进行采摘目标的检测定位是普遍采用的手段。由于水果的生长环境以及个体的形状和颜色不同，极富变化的自然光照和由此带来的高光、阴影以及遮挡等问题都会对自然场景中树上水果目标的检测提出挑战，影响检测定位的准确率和采摘的成功率。　　本文以树上柑橘作为研究对象，主要围绕利用机器视觉进行自然场景中目标检测的两个关键问题展开：一是讨论在自然环境中光照不断变化的条件下如何稳定的检测出完整的水果目标的问题；二是自适应处理自然场景中普遍存在的遮挡现象的问题。本文结合Marr的视觉理论展开，通过提取果园场景中树上水果目标的初始简图，并结合水果目标的形状知识来恢复目标的完整轮廓，最后通过拟合目标可见表面的三维数据点云恢复目标的完整表面。　　本文的贡献主要体现在四个方面：(1)将Marr的视觉计算理论应用到机器采摘的农业生产场景，提出了树上水果目标检测和恢复的系统化方法；(2)结合光照模型，通过图像融合的方式，完整的提取出自然场景中柑橘目标的可见表面，提高了树上水果目标分割算法对自然光照变化的鲁棒性；(3)提出了基于色差图的边缘分析来提取自然场景中树上水果目标有效外轮廓片段集的方法，在形状知识的指导下恢复出树上水果目标轮廓，并推理出了重叠水果目标之间的偏序关系，变化光照实验和抗遮挡实验表明本文算法对光照和遮挡均有较好的鲁棒性；(4)将阴影恢复形状算法应用到机器人采摘的视觉检测过程中，根据目标局部表面的光照分布恢复出了目标的完整表面，推导出了自然场景中柑橘目标的2.5维表达和3维表达。　　本文首先根据光学系统成像的光照模型，讨论了在变化的光照下树上水果目标的亮度成分和变化问题，提出了利用多态图像分割和图像融合的方法完整的检测出图像中的目标区域。提出了利用色差信息检测树上水果目标可视部分的漫反射区域，利用亮度图分割的方法检测目标可视部分的高光区域，利用归一化RGB颜色空间分割的方法提取目标表面的阴影区域。通过融合这三种模态图像的分割结果完整的检出目标的可见表面，并采用形态学重构的方法去除虚警。通过大量实验结果表明，所提算法在各种光照条件下性能都很稳定，能准确鲁棒的检测出果园场景中的树上水果目标可见表面。　　在利用图像融合方法对目标前景进行分割的基础上，利用了Canny边缘检测算子对色差图进行处理从而提取出目标区域的主边缘。通过端点和角点检测算法提取出显著顶点集。利用顶点集将主边缘进行分割，构造出光滑边缘片段集。结合初分割结果，通过分析每个边缘片段的长度、平直性和凹凸性来遴选出有效边缘片段(目标外轮廓片段)集。最终采用直接拟合方法和局部优化方法恢复出被遮挡的成熟树上水果目标的完整轮廓。在恢复目标轮廓的基础上，讨论了存在重叠的水果之间的偏序关系推导。变化光照实验和抗遮挡实验表明本文算法对光照和遮挡均有较好的鲁棒性。重叠水果之间的偏序关系为采摘机械手的路径规划提供了直接依据。　　对于分割结果的前景区域，提取其对应的灰度图，利用维纳滤波的方法改善图像质量。通过天文学知识计算太阳方位，利用Lee和Rosenfeld的局部分析方法以及Tsai和Shah提出的线性化方法求解SFS问题，获取目标区域的深度数据，恢复出目标区域的三维形貌。利用球体拟合的方式从恢复的点云数据中拟合出树上球形水果目标表面，并通过有效性检查去除无效目标。实验结果表明该模型能在复杂的自然光照条件完整的恢复出被遮挡的树上水果目标表面。恢复出的空间目标可以较清楚的反映各个水果在空间的相对位置关系，这为进一步指导机械手进行路径规划、实现对目标果的采摘提供了直接线索和依据。　　最后，归纳总结了现在的工作，并针对本文的不足之处提出了下一步的研究计划。