计算机视觉系统在各种工农业场景中已得到广泛应用,如流水线上的工农业产品检测、厂房视频监控、农产品产量估计等。然而,阴影是自然环境中广泛存在的一种自然现象,会给计算机视觉相关任务造成干扰,如流水线上的工农业产品阴影扩大了对识别工农业产品有效面积的影响;自然环境下果实识别中阴影对识别出来的果实有效面积的影响,从而影响目标水果识别和轮廓提取的准确度,导致了对果实的错误的定位;农产品产量估计中的阴影造成估计不准确等影响。因此,有效的阴影检测和阴影去除算法会大大提高自然环境下果实识别算法的性能,为未来的工农业应用提供技术支持,对我国农业现代化的发展和进步有着重要的意义。本研究的主要研究内容如下:（1）图像的超像素分割。图像中的阴影区域与某些本身呈黑色的物体在颜色上非常相似,导致不能使用阈值分割的方法直接检测阴影。本研究采用超像素分割的方法,将一张图像分割成多个小区域,并对每个小区域打上标签,通过特征来识别每个小区域是否处于阴影中。（2）阴影的相关特征分析与特征提取。在对图像进行超像素分割的基础上,本研究对自然光照下的果园图像的阴影区域与非阴影区域进行了对比分析,在已有的颜色模型的基础上,结合Retinex方法与传统方法提取特征,探索七个能有效用于阴影检测的特征。（3）基于SVM的阴影检测,特征筛选与参数优化。本研究采用了支持向量机（SVM）的方法,提出七个自定义特征,应用支持向量机递归特征消除法（SVMRFE）进行特征筛选,再使用遗传算法进行参数优化,对图像中每个超像素分割的小区域进行检测,判断每个小区域是否处于阴影中。（4）阴影去除算法。本研究比较了Wallis滤波阴影去除方法,二维积分阴影去除方法,并提出基于最小二乘算法的阴影去除策略,对检测的每一个阴影区域去除阴影,获得去除阴影后的自然光照图像,并从视觉效果与计算速度上进行分析,确定适用于自然环境下水果图像阴影去除的方法。（5）设计并进行水果识别试验验证。为了验证本研究的有效性,本研究从阴影检测的识别准确性与视觉效果角度进行评价,同时进行了试验验证。试验结果表明,本研究的阴影检测算法的平均准确率为91.91%,经过阴影去除后,图像中水果的识别准确率总体有所提升。（6）水果图像阴影去除系统设计。为了方便进行人机交互和阴影去除效果展示,本研究设计并开发了水果图像阴影去除系统。本研究以自然光照下采集的果园图像为研究对象,根据经过超像素分割的阴影区域的颜色特征及其自定义特征,研究阴影区域的检测方法,并提出基于最小二乘法的策略去除阴影,在此基础上对果实进行识别以验证阴影去除对水果识别精度的影响,为自然环境下机器人识别果实及其他工农业应用场景提供技术支持。