柑橘是我国南方主要的经济作物,目前,柑橘多为人工采摘,存在着劳动强度大、采摘效率低等问题,采摘机器人替代人工已然成为未来柑橘采摘发展的方向。本文面向柑橘自动化采摘中存在的目标定位精度低问题,开展了基于激光雷达与深度相机多传感器融合的感知定位技术研究,主要利用YOLOv4卷积神经网络进行柑橘识别,并使用点云和深度图像与所识别柑橘二维图像进行目标融合,进而实现柑橘的精确定位。主要研究工作及结论如下:（1）设计了一种基于标定板中心点和法向量特征的联合标定方法。该方法采用中心坐标点和法向量来表示目标在空间中的位姿状态,并利用标定板作为中介来构建相机与激光雷达的联合标定模型。分别提取深度相机RGB摄像头视角和激光雷达视角下的标定板中心点和法向量,通过优化求解旋转平移矩阵来确定深度相机RGB摄像头和激光雷达之间的外部参数。实验结果表明内参重投影误差为0.14个像素,联合标定外参重投影误差为1.57个像素。此外,数据融合效果图显示图像与点云之间的匹配程度较高,验证了本文联合标定方法的准确性。（2）开发了激光雷达定位系统和深度相机红外摄像头定位系统,设计了一种基于彩色点云RGB信息的检测框内点云滤波方法。为此,本文采用YOLOv4卷积神经网络识别柑橘,输出柑橘目标的像素坐标位置。在柑橘定位方面,本研究融合了图像与点云数据,并设计了一种基于彩色点云RGB信息的检测框内点云滤波方法,能够有效去除其他干扰点云,从而得到更加准确的激光雷达定位结果。同时,本研究也进行了深度相机红外镜头的定位实验,通过标定深度相机RGB镜头内参并映射到深度图上,获取目标点的深度值信息,实现二维到三维空间的转换,并得到红外摄像头的定位结果。实验结果表明,本文识别模型的平均识别精度为77.1%,识别速度约为37.4FPS,能够平衡检测精度与速度。深度相机红外摄像头XYZ方向上的平均误差分别为:9.16mm,8.5mm,9.32mm,三个方向上的总平均误差为9.05mm,激光雷达XYZ方向上的平均误差分别为:4.7mm,5.06mm,5.68mm,三个方向上的总平均误差为5.15mm,激光雷达的定位效果优于深度相机红外摄像头。