荔枝作为岭南特色水果,素有“日啖荔枝三百颗,不辞长作岭南人”的佳句,而荔枝的生产却极其费时费力,尤其是荔枝采摘,极大的耗费劳动力。随着农村人口向城市转移,大量的劳动力流入城市,导致种植业出现严重的劳动力短缺,而荔枝成熟期十分简短,加之岭南地区炎热多雨,如不能及时采摘将功亏一篑,造成严重的经济损失。荔枝采摘机器人能有效解决劳动力短缺、大规模种植等问题,对降低荔枝生产成本,缓解农业人口流失带来的生产力不足具有极其重要的意义。计算机视觉是采摘机器人的重要组成部分,为果实检测定位提供了有力的技术支撑。随着深度学习和卷积神经网络的发展,深度学习在计算机视觉领域凸显出鲁棒性强、精准度高等诸多优势。本文运用深度学习和聚类算法,对采摘点定位作了如下研究:（1）针对野外环境下背景条件复杂且荔枝果实本身重叠遮挡严重的情况,提出一种基于YOLOv3模型改进的目标检测算法,用于荔枝果实的检测。借鉴残差网络和密集连接卷积的思想,提出了一个融合密集卷积块与残差块的特征提取网络——Our Net。实验表明:经改进后的算法,获得比经典YOLOv3算法Tiny特征提取网络及Dark Net53特征提取网络更好的效果,荔枝果实的m AP为97.07%,高于YOLOv3＿Tiny的94.48%m AP,也高于经典YOLOv3的95.18%m AP。时间效率上可达到58FPS,同比高于经典YOLOv3的29FPS。（2）针对野外环境下枝条定位困难的问题,提出采用深度学习图像分割算法对荔枝枝条进行语义分割,运用Deep Lab V3+框架、Xception＿65特征提取网络对荔枝枝条实现语义分割。模型通过编码解码结构大大缩小了运算参数,通过使用深层语义与浅层语义同权重进行融合,使得模型对细节描述有了较大程度的提高。模型使用多孔洞卷积池化,在不增加参数的情况下减少了池化带来的精度损耗。实验表明:Deep Lab V3+＿Xception＿65模型分割获得的MIo U为0.765,远大于其他对比模型及同架构下其他特征提取网络的分割精度。在同架构下与深度残差网络以及Mobile Net网络进行对比实验,获得较为理想的分割效果。（3）基于野外复杂环境荔枝团簇生长的特点,针对果实数量较多枝条不明显的荔枝远景图像,运用基于密度的OPTICS聚类算法对果实在图像中的分布进行聚类操作,尽可能的区分不同团簇,便于更好的寻找整体团簇的采摘位置。针对中近景图像,分单果与多果两类情况分别进行讨论,并提出相应的采摘点定位算法。最后梳理总结了荔枝采摘思路流程,使用聚类算法针对现有样本数据进行了抽样实验,实验表明,在抽取的中近景100张样本图像中,通过语义分割与目标检测结合聚类获取最大外接矩形获取采摘点的算法,能够准确定位采摘点73张;而远景抽样的样本图像中,聚类准确率达到93.3%,实验获得较好结果。