作为世界上最大的草莓生产国,中国草莓产业现状表现为总体产量高但单位产出效益低,一个重要的原因是草莓生产管理与采摘依然是依靠人工,生产模式粗放,且近年来劳动力成本日趋高昂,随着时间的推移,这一短板逐渐凸显。草莓采摘周期短、强度大,实现草莓采摘的机械化、智能化,进而降低劳动力成本增加产出效益已成必然趋势,其中基于机器视觉的草莓检测与识别是草莓生产精准管理与智能化采摘的前提与关键技术。基于传统图像分割方法实现作物识别、产量预测是近年来的研究热点,其中针对识别目标的形状、颜色或者纹理等特征进行有效提取是图像分割的前提。草莓检测场景通常是复杂图像场景,有两类因素直接导致了草莓语义特征的缺失进而大幅降低传统图像分割与检测精度。一是复杂田间栽培环境中,存在部分尺寸较小的目标隐藏在背景相似的环境中;二是存在大量遮挡现象,主要包括草莓叶片、茎秆、杂草等与草莓果实之间存在的类间遮挡、草莓互相之间存在的类内遮挡以及由于光照因素导致的阴影遮挡。为解决上述问题,本文提出两种解决方案:一种是基于Cascade R-CNN的级联网络,实现复杂场景中草莓的高精度检测;另一种是基于生成式对抗网络（Generative Adversarial Network,GAN）的草莓遮挡修复方法,采用双阶段的级联网络实现草莓图像的精准细节修复。主要研究内容如下:（1）提出一种基于深度卷积神经网络的高效草莓检测方法FCS R-CNN。以Cascade R-CNN为基本检测模型,加入特征金字塔网络（Feature pyramid network,FPN）,通过IOU阈值级联的方式进行阶段融合,并在训练过程中对困难样本进行重学习。最后利用改进型的SVM分类器,对所有检出框进行二分类。最终在242幅草莓图像组成的测试集中,本文方法的平均准确率AP值达到84.69%,AP值相对于原始Cascade R-CNN提高了 20.87%,结果表明,FCS R-CNN能够显著提高复杂场景中的草莓检测准确率,为草莓产量预估提供了新的思路。（2）提出一种包含双阶段GAN的级联网络模型LT-GAN（Line and Texture Mapping Generative Adversarial Network）,对遮挡区域进行修复以进一步解决草莓图像中的遮挡问题。首先使用线条网络（Line Network,L-Net）重构草莓被遮挡区域的低频语义结构,然后使用纹理映射网络（Texture mapping Network,T-Net）对抗性的挖掘草莓图像中的高频纹理信息。在包含不同遮挡种类与范围下的草莓测试集中,LT-GAN能够生成与缺失区域周围像素具有一致性且视觉效果逼真的草莓图像,且该方法的平均峰值信噪比（Peak Signal to Noise Ratio,PSNR）为21.28,平均结构相似性度（Structural SIMilarity,SSIM）为0.802,图像修复效果良好。（3）设计了 一种可以进行人机交互的快速草莓遮挡修复与检测系统。系统基于PyQt技术,以修复网络LT-GAN与检测网络FCS R-CNN为基本算法模型,根据用户需求,在可视化界面实时反馈模型输出结果。