近年来,随着汽车电动化、网联化、智能化、共享化的快速推进,电动汽车的自动驾驶和自动泊车功能逐渐普及,自动充电的需求日益迫切。目前,机器人与机器视觉相结合是实现自动充电的主要技术路线,而电动汽车充电口识别与定位是这一技术路线实现的关键技术之一。针对复杂应用环境下的识别定位难点,本文将单目视觉与六自由度机器人系统相结合,研究基于卷积神经网络的充电口识别方法和基于圆特征的充电口定位方法,解决复杂环境下充电口识别与定位问题。论文的主要内容有:首先,分析了插接实验对定位的精度需求,根据电动汽车充电口的内部特征和复杂应用环境下的识别定位难点,设计了充电口识别定位方案,搭建了基于六自由度机器人与单目视觉相结合的实验平台,采用张正友标定法和Tsai法,完成了摄像机畸变模型下的标定和Eye in hand配置方式下的手眼标定。接着,针对视觉搜寻过程中充电口图像出现局部缺失、伪充电口、盖未打开、光照变化等复杂应用环境造成的识别困难,基于卷积神经网络的充电口识别方法,建立了复杂应用环境下的充电口图像样本集,在LeNet₅模型的基础上优化了学习率、网络层数,从而构建了充电口的卷积神经网络识别模型,结合样本集完成了训练,并对测试集进行分类识别,验证了模型的有效性。然后,综合考虑插接实验对充电口的定位精度要求和充电口特征的特点,提出了基于圆特征的充电口定位方法,主要包括图像预处理、特征检测、位姿求解三个步骤。图像预处理中,针对光照对图像亮度的影响,设计了相机的自动曝光算法,针对噪声的干扰采用了中值滤波算法;提出了基于HSI颜色模型的充电口特征检测方法,经过HSI颜色模型转换、色调分量的Otsu阈值分割、数学形态学与Canny算子相结合的边缘检测、改进的霍夫变换椭圆拟合等步骤,得到成像椭圆的相关参数信息;采用几何法求解半径已知的圆位姿并通过充电口特征上两个共平面共法线的圆消除位姿解的二义性,求得充电口在相机坐标系下的位姿。最后,结合上述理论和方法,完成了插接实验系统的集成,将充电口位姿转换到机器人工具坐标系下,通过插接实验验证充电口识别与定位算法的准确性,定位精度满足插接要求,测试了所提算法对不同光照环境的鲁棒性,并对实验误差进行了分析。