针对矮化休眠期枣树修剪过程中人工修剪劳动强度大、用工成本高,以及机械修剪产生的错剪、漏剪等问题,开展选择性修剪关键技术研究,为休眠期枣树剪枝机器人的研制提供理论依据。本文在3种光照环境下（晴天、阴天和夜间）对休眠期枣树信息进行准确获取,结合深度学习技术对枣树枝干进行识别并自动提取修剪枝的长度和直径参数。最后建立枣树剪枝过程的虚拟仿真环境,利用随机采样算法规划出修剪过程的路径轨迹并进一步优化。本文主要研究内容及结论如下:（1）提出了重建休眠期枣树高质量三维点云的方法。针对自然环境下单个Azure Kinect DK深度相机获取休眠期枣树枝干点云质量较差的问题,搭建了基于2个固定深度相机的视觉感知系统,并提出了2个固定深度相机位姿标定的方法。利用该视觉系统获取3种光照环境下的枣树点云,然后进行点云预处理并分析不同光照条件对获取枣树点云的影响。为解决由枣树枝干之间相互遮挡而导致的断点问题,提出了一种基于骨架点的配准方法对枣树枝干断点进行补全,对比了经典ICP算法、SIFT-ICP算法、ISS-ICP算法和HARRIS-ICP算法,结果表明本文算法相对于以上4种算法其配准时间和配准误差都进一步降低,且稳定性高。相对于阴天和夜间,在晴天时,枣树点云配准所需时间最少,配准时间为0.09 s,而配准误差最大,其配准误差为0.29 mm;在阴天时,枣树点云配准的时间介于晴天和夜间之间,而此时配准误差最小,其配准误差为0.11 mm。（2）建立了基于枣树前景图像的修剪枝识别方法。对获取的枣树彩色点云基于距离阈值去除复杂的枣园背景,并构建休眠期枣树的前景图像。基于不同特征提取网络的语义分割模型Unet、PSP Net和Deep Lab V3+分别对枣树前景图像进行语义分割,同时分析3种光照条件对枣树枝干分割精度的影响,并提取单个修剪枝。基于特征提取网络Res Net-50的Deep Lab V3+模型分割结果最好,对于枣树主干的像素准确率和交并比分别为90.36%和80.98%,而修剪枝的像素准确率为80.34%以及交并比为66.69%,并且不同的光照条件对枣树枝干分割精度影响不明显,表明该方法具有较好的鲁棒性,但修剪枝的识别精度有待进一步提高。（3）提出了枣树三维点云的修剪枝识别与参数提取方法。利用深度学习SPGNet网络对重建的枣树三维点云进行语义分割,通过每类精度、交并比等指标对点云的分割结果进行评价,其中枣树主干的分割精度和交并比分别为94%和85%,而修剪枝的分割精度和交并比分别为83%和75%。同样的对比分析了3种光照条件下枣树点云的分割精度,然后结合聚类算法提取单个修剪枝。通过对3种光照环境下修剪枝点云（随机选择45棵枣树）进行聚类分析,结果表明每棵枣树修剪枝数量的均方根误差均低于2个枝条。在识别单个修剪枝的基础上,提出了修剪枝长度和直径参数自动提取的方法,其中修剪枝长度拟合的相对误差在1 cm以内,而直径的相对误差在2 mm以内。（4）建立了枣树修剪过程的路径规划与优化方法。通过2个深度相机上下视场的配准获取真实高度的枣树点云,并对点云进行预处理去除地面等噪声,以构建剪枝的虚拟环境。结合随机采样算法对枣树剪枝过程进行路径规划,并提出了一种路径优化的策略,分析了4个待剪枝的路径规划过程,利用路径长度、运行时间、变异系数对规划过程进行评价,所提出的优化方法能减少一些非必要的随机点,进而减少剪枝过程路径规划的长度。