在农业生产领域,玉米是我国重要的农作物,玉米苗期的除草能有效保障作物产量。目前国内的除草方式主要包括人工除草、化学除草和中耕除草等,这些传统的方法存在各自的缺点,比如除草效率低、劳动成本高、破坏土壤环境和造成化学污染等,因此,研究智能农业除草机器人的技术具有现实意义。视觉系统是智能除草机器人的一项基础且重要的研究任务,高精度和低延时的图像算法是完成识别的关键,现有的除草机器人视觉系统普遍使用传统图像分割与识别方法,这些方法的算法鲁棒性和精确度较差,往往不能满足复杂的户外环境。随着人工智能的快速发展,深度学习得到了人们的广泛关注,基于深度学习的图像分割技术在实时性和精度上获得了很大的提升,这些技术也逐渐从理论研究走向实际应用。然而,目前深度学习网络存在模型参数量多、运算速度慢等问题,深度学习模型的边缘设备部署依旧是一个难点。针对这些问题,本文从深度学习的模型架构和边缘设备端的优化部署角度出发,探索一种应用于智能除草机器人视觉系统的苗草图像分割算法。本文完成的工作如下:（1）本文开发了面向除草机器人的视觉系统试验平台,通过分析智能农业除草机器人视觉系统的功能和需求,提出了视觉系统的总体设计方案,搭建了相关实验平台以及视觉系统的深度学习环境。（2）本文从玉米实验田中采集了大量苗期玉米杂草图像,对实验图像进行超绿灰度化和高斯滤波等图像预处理,然后对苗草图像使用OTSU阈值分割和边缘检测算法实验,同时使用基于类间方差法的遗传算法,以及全卷积神经网络分别进行图像分割实验。通过多种分割算法对比分析,得出卷积神经网络方法在苗草图像分割中的可行性以及有效性,并探讨深度学习在图像分割领域的发展前景。（3）为实现高性能的分割模型,本文基于Yolact实例分割算法,融合预激活残差网络和特征金字塔作为主干特征提取模块,在苗草数据集上综合评估模型性能,并与其他算法进行对比实验。结果表明,本文模型在检测速度和精度上表现良好。（4）本文基于TensorRT对实例分割模型进行推理加速,主要包括使用权重量化以及层间张量重构等优化方法,将优化后的模型部署在GPU嵌入式平台上,通过对苗草测试集与苗草视频的分析测试,结果显示,优化的模型在玉米苗期图像分割与识别上具有一定的优势,基本满足农业除草机器人视觉系统的检测要求。