我国农业产业长期依赖人工生产,这会导致劳动强度大且效率低等问题,并直接增加了农业生产的成本。使用计算机和自动控制等技术替代人工生产是提升农业生产效率和降低成本的重要途径之一。本文主要研究自然环境下绿色水果的视觉检测方法,研究对象为绿色柑橘。对绿色水果进行检测,能够为果实的产量估计和自动采摘提供技术支持,具有重要的经济效益。然而自然环境下绿色水果因颜色与背景相似而造成视觉识别困难,一直是农业机器人研究的难点。对此,本文提出了一种基于深度边框回归森林的绿色柑橘检测方法,该方法主要包括了特征提取和分类器设计两部分。在特征提取部分,本文使用纹理、形状和颜色三种特征对图像进行描述。在纹理特征部分,本文通过对CS-LBP描述子进行改进,提出了一种提升判别LBP描述子。该方法通过引入监督学习对纹理进行编码,使得算法获得的二进制编码能够在图像中更加容易区分目标和背景。在形状特征方面,本文对霍夫检测方法和HOG描述子进行了比较,并且选择了HOG描述子应用到本文的方法中。在颜色特征方面,本文通过子集搜索方法在多种颜色中选择了3种性能较好的特征对图像进行描述。另外,本文还通过一种简单的方法,在不显著增加图像特征数量的情况下,实现了图像的多尺度特征提取,该方法不仅可以提取到不同粒度的特征,还可以降低不同描述子提取到的特征之间的相关性。分类器的设计包括模型的训练和预测两部分。模型训练中,首先对图像块设计了一种结构化标签,标签中包含了目标的类别信息和位置信息。然后单层回归森林使用信息熵和残差平方和函数交替地最小化类别不确定性和位置不确定性对模型进行训练。进一步通过把模型的输出作为新特征与输入特征进行串联训练多层的回归森林,降低模型输出的均方误差。而在预测阶段,结合了系统聚类方法对目标的位置进行投票,实现不同图像块对不同的柑橘进行定位的效果。最后,在实验部分,根据实验结果对超参数进行了优化,并基于优化的超参数训练模型对柑橘进行检测,在800副柑橘图像实验中,本文方法的mAP可以达到87.6%,单张图像的平均运行时间为0.759 s,达到了实时性要求,为绿色柑橘的视觉检测提供了技术支持。