航空飞机的发动机投入使用后,需要定期拆卸进行维修与养护,由于发动机表面布满管路,拆卸时无法直接受力,必须在两侧加装辅助拆卸工位,采用人工肉眼对准的方法将拆卸工位与运输车上的拆卸架对准结合进行拆卸。这种人工拆卸方式效率低、劳动强度大、自动化程度不高。随着计算机视觉技术迅猛发展,基于视觉的目标检测被广泛应用。针对以上现状,本文以发动机拆卸工位为目标进行检测与定位算法的深入研究,提出并设计基于深度学习的目标识别网络算法,并通过双目立体视觉完成对拆卸工位的定位方法研究,利用实验检测结果对算法进行验证。本文主要工作如下:基于深度学习的发动机拆卸工位目标检测。本文综合考虑实时性以及对拆卸工位检测精度的要求,选择YOLOv3网络模型作为本文检测算法的基础网络。实验结果表明原始网络模型虽能够快速地识别出拆卸工位,但存在识别准确率低、漏检率和误检率较高,以及边界框在图像中定位精度差等问题。针对原始网络算法存在的问题以及结合目标特性,提出了基于YOLOv3改进的目标检测算法。通过对网络预测尺度进行调整,充分利用上下文信息与浅层细节特征,增强算法对拆卸工位的识别能力;其次对传统的K-Means聚类算法存在的依赖性问题进行分析,提出利用K-Means++算法对聚类进行优化。实验结果表明,基于改进的YOLOv3网络算法对拆卸工位的识别准确率高于原始算法,对漏检、误检情况有显著改善。设计了基于全卷积网（Fully Connected Network,FCN）与检测网络的融合算法,完成了拆卸工位边界框更高精度的定位。该方法利用FCN对图像中目标进行像素级别的分割,将分割结果Mask映射到目标检测输出,得到目标的分类结果和边界框坐标信息。实验结果表明该方法不仅能够对图像中目标边缘的预测更加准确,目标轮廓也更加连续完整,而且改进网络模型的平均交并比高于原始网络模型,能够有效解决边界框定位精度差的问题。根据基于目标检测网络与图像分割网络结果融合的拆卸工位检测方法,设计拆卸工位目标检测系统和边侧定轴系统,完成相关实验和分析。实验结果表明,本文方法对拆卸工位的识别准确率高,目标边界框定位精度高。边侧定轴系统的定位精度较好,并且能够对发动机与运输车轴线位置状态进行初步判断。