田间杂草一直是农作物生长的大敌,传统的除草方式通常都是通过人工或农药（除草剂）进行除草,然而这两种除草方式或投入较多劳力且效率低下,或因农药残留而无法保证粮食安全。所以,采用机器人田间除草是现代农业和智能装备的发展趋势,也符合当前我国农业发展的需要。但是农田环境复杂,常常出现机器人难以识别作物和杂草的情况。以玉米田间为例,玉米的最佳除草期为“四叶一心”和“五叶一心”的幼苗期,然而处在幼苗期的玉米和杂草十分类似,在田间复杂情况不易识别,在重叠状态下也很难分割出完整的玉米和杂草的轮廓图像。这两种情况对于机器人除草行为十分不利,很容易造成对玉米的误伤以及对杂草的漏除。本文针对田间玉米与杂草图像存在遮挡难以识别的问题,本文提出了一种基于深度学习和轮廓提取方法相结合的玉米与杂草图像遮挡检测方法。首先利用Faster R-CNN深度网络对田间的玉米和杂草作物进行识别,得到目标预测框。在此基础上采用基于颜色通道的阈值分割方法,对图像中的玉米与杂草作物遮挡情况进行判断。为机器人在玉米田间除草提供技术支持,更好的服务于智能机器人进行田间除草作业。论文主要的研究内容如下:（1）研究了基于Faster R-CNN深度网络下杂草与玉米的识别方法。针对存在玉米和杂草目标的图像,将经过了采集图像、图像增强处理后的玉米与杂草图像,通过Faster R-CNN深度网络模型并基于VGG-16特征提取网络进行实时的目标检测与提取,得到相应性能参数和目标预测框。（2）研究了基于颜色通道和阈值分割玉米和杂草的轮廓提取方法。对深度网络模型下得到的目标预测框内的单个玉米图像和单个杂草图像进行轮廓提取,提出了基于传统超绿化特征（EXG）超参数公式修改的参数公式gray（28）200g-198r-49b,并通过比较RGB、HSV、YCr Cb、HSI、Lab五种颜色通道并结合三种阈值分割方法,针对玉米与杂草得到轮廓提取效果最好的阈值分割方法。解决了针对玉米图像在田间复杂背景下难以得到完整轮廓的问题。（3）提出了一种对杂草与玉米是否存在遮挡关系的判断方法。针对图像中玉米与杂草是否存在遮挡的问题,结合阈值分割方法和连通域过滤算法,得到目标预测框内的图像轮廓坐标。并利用坐标回溯的方法,将预测框内的轮廓坐标信息回溯至原始图像,可以得到图像轮廓在原始图像中的坐标。最后将杂草与玉米在原图中的轮廓坐标进行比对,以此来判断玉米与杂草的遮挡情况。同时,为了进一步证明了本文提出的遮挡判断方法的可行性和有效性,还提取部分图像样本进行验证。