实现果实采摘作业的自动化和智能化是现代农业的必然选择,而它的关键技术是采摘机器人视觉感知系统对果实的目标检测。精准高效的果实目标检测方法能够提高采摘机器人的采摘效率,解放农业劳动力,降低生产的经济成本。但是由于自然场景下采摘对象存在诸多的复杂性和不确定性因素,大大加大了果实目标检测的难度,这其中的两大难点问题是小尺寸果实目标检测和遮挡果实目标检测。深度学习作为一种鲁棒性和迁移性很强的数据表征方法,对复杂对象的特征提取具有优势。本文针对以上两大难点问题开展研究,应用深度学习的方法对果实对象进行目标检测,以达到更高的检测精度和速度。针对小尺寸果实目标检测问题,改进了 YOLOv2（You Only Look Once version2）算法对小尺寸目标的检测能力。首先分析和总结了 YOLOv2损失函数的特点,优化了损失函数中有目标区域置信度损失权重系数的确定方式,提出了损失函数中定位预测损失权重函数新的计算公式,引导深度神经网络在训练参数时强化对小尺寸果实目标的灵敏性。然后考虑到参考矩形框对目标定位的重要作用,改进了参考矩形框尺寸的选取规则,并设计了确定参考矩形框数量的统计学方法,从而选取了更契合小尺寸果实目标的参考矩形框。实验表明,本文的改进措施在保持原算法检测速度的同时有效地提升了对小尺寸果实目标的检测精度。针对遮挡果实目标检测问题,提出了单阶段目标检测算法SS-FRCNN（Single Stage Faster R-CNN）。首先分析了 Faster R-CNN目标检测框架的优越性,结合遮挡果实目标检测这一复杂应用背景的特点,基于Faster R-CNN提出并设计了一种新的目标检测算法SS-FRCNN,叙述了其设计思想和整体框架结构,使得整个目标检测流程更加紧凑。然后确定了 SS-FRCNN的特征提取网络和候选提名网络的结构细节。最后基于自己准备的遮挡果实数据集,完成了 SS-FRCNN的训练和测试。实验表明,本文提出的SS-FRCNN算法对遮挡果实的目标检测精度优越,目标检测速度提升了 33%。