近年,机器人在球类运动领域具有广泛应用,机器人主要通过视觉获得周围环境信息,自主决策并完成复杂任务。机器人打高尔夫球过程中,由于受光照强度不均匀、复杂背景、噪声干扰等物理条件限制,存在识别效果差、鲁棒性差等问题,击球效率受到很大影响。本文针对上述问题,提出三种不同的目标识别策略并搭建室内机器人高尔夫球实验平台,主要研究内容如下:首先,搭建NAO机器人高尔夫球软件实验平台。通过Choregraphe软件创建机器人目标识别和行为模块并进行测试。机器人通过无线连接到服务器,根据图像像素在YUV色彩空间中红色值的范围进行过滤。然后,从所有检测到的红色像素集中,仅保留定义圆形的像素,随后进行识别并利用单目测距方法定位高尔夫小球。最后机器人击打小球完成任务。其次,本文结合高尔夫球的颜色和形状特征改进了霍夫圆目标识别算法。应用颜色阈值进行目标识别的方法存在容易受外界影响、方法较粗糙等问题。本文改进的算法首先选择合适的颜色空间,并且设置合理阈值区间。随后进行图像预处理,使用霍夫圆算法识别目标高尔夫球。机器人完成击球后,使用卡尔曼滤波算法协助跟踪小球。实验表明,小球识别平均准确率为91%,有助于提高了击球效率。最后,为进一步提高小球识别准确率,应用YOLOv4深度学习算法训练、识别小球。实验结果表明,对于416×416的输入模型,基于英伟达1080Ti的GPU,自制小球数据集训练后模型平均识别精度值可达96.28%,比传统方法霍夫圆识别算法要高,受外界环境影响小,满足机器人高尔夫球比赛的需求,为机器人高尔夫球目标识别提供了支持。