实现茶芽的自动识别与定位是优质茶叶智能采摘设备研发的基础。针对茶芽细小，且采摘环境受光照影响较大等问题，本研究提出了一种基于深度学习网络模型的茶芽识别方法，开展识别系统的光源设计，能够为实现全天候和高效率的智能茶芽采摘设备提供技术支撑。首先，搭建铝合金框架的密闭遮光黑暗环境；然后，通过调节横杆高度和光源亮度创造出3种高度和3种光照强度组合；最后，采集不同组合情况下的茶芽图像数据集，利用改进YOLOv5模型对一芽一叶和一芽两叶开展识别测试。试验结果表明，YOLOv5s的总体准确率为77.13%，总体平均精度均值为86.14%，对于改进后的识别模型YOLOv5s-SPD的总体准确率为80.30%，总体平均精度均值为87.3%，单张图片的平均检测时间为5.7 ms，满足实时检测的要求，比原YOLOv5s总体准确率提升3.17%，总体平均精度均值提升1.16%，有效地提升了茶芽的识别性能。在高度90 cm和亮度L7（0.164~0.328 \mathrm{\mu } \mathrm{m} \mathrm{o} \mathrm{l} / {\mathrm{m}}^{\mathrm{2}} ）的条件下，一芽一叶和一芽两叶的检测准确率、召回率和AP平均值分别为86.70%、92.45%和95.00%。该方法可以有效快速地检测茶芽，光源设计方案为全天候优质茶叶智能采摘设备的研发提供了支持。