田间草害一直是影响作物生长发育的重要因素,现有除草方式通常采用人工或者喷施化学除草剂,不仅耗时费力,而且效率低下,大量喷洒化学农药还会产生残留,危害农产品安全。随着人工智能和现代农业的发展,采用机器人进行田间除草作业成为一种有效手段,愈来愈受到国内外科研人员的关注。如何准确、高效的识别区分田间作物与杂草是机器人除草的前提,而多目标测距与除草路径规划成为了技术的关键。本文在充分调研国内外相关技术发展的基础上,开展了田间除草机器人实时目标识别与测距方法的研究,主要工作及结论如下:（1）提出了基于Faster R-CNN深度网络的田间杂草目标识别方法。以自然环境条件下幼苗期的油菜与杂草图像为样本,在Tensor Flow深度学习框架之上,构建了基于不同特征提取网络的Faster R-CNN深度网络模型;通过COCO数据集的深度网络模型进行迁移训练,利用Faster R-CNN深度网络模型和SSD深度网络模型共享卷积特征,分别对比了VGG-16,Res Net-50和Res Net-101特征提取网络,实验结果表明,基于VGG-16的Faster R-CNN深度网络模型在油菜与杂草目标识别中具有明显的优势,其油菜与杂草的目标识别精确度可达83.90%,召回率达到78.86%,1F值为81.30%。（2）提出了基于深度视觉的田间除草机器人多目标测距与除草路径规划方法。以处于“四叶一心”幼苗期的玉米与杂草图像为样本,采用VGG-16特征提取网络的Faster R-CNN深度网络模型,实现实时目标识别和自动剪切分类;采用超绿特征化（EXG）的参数进行图像灰度化处理,基于改进的OTSU算法（IOTSU）实现二值化图像的生成与优化;在Canny边缘检测算子的目标轮廓图像的基础之上,设计了选取目标二维坐标点的二次遍历算法（QTA）以及相应的遍历搜索框;通过将目标二维坐标点映射为三维坐标点,利用深度相机（Realsense D435i）进行多目标测距以及最短除草路径的规划。实验结果表明,大小为100×100的遍历搜索框可以确保目标二维坐标点的精准选取,二次遍历算法的搜索成功率在测试数据集上可以达到90.0%,不仅有效节约了计算资源,而且避免因使用深度相机而产生的大量冗余信息。（3）提出了基于目标识别、目标测距与路径规划集成的实时目标识别与测距方法,并进行了模型部署与方法验证。利用深度相机实时获取视频流中的关键帧图像,经过图像预处理操作并导入训练后的深度网络模型进行目标识别与检测,输出目标分类、目标概率以及目标二维坐标点等信息;将位于像素坐标系下的目标二维坐标点转化为位于相机坐标系下的目标三维坐标点,进行作物与作物、作物与杂草、杂草与杂草之间的测距以及最短除草路径规划。最后,通过模块化编程,封装实时目标识别与测距模型生成API,其功能易于修改与更新,具有较强的可移植性和可迭代性。