为确保油茶果实处于最佳成熟度进行采摘，提高油茶果实的出油率及茶油品质，该研究针对自然环境下油茶果实多被遮挡的问题，以原始YOLOv7模型为基础进行改进，提出一种油茶果实成熟度检测方法。首先，在主干网络中引入十字交叉注意力机制（criss-cross attention,CCA）加强对被枝叶遮挡果实成熟度特征的提取能力；其次，使用基于距离和交并比的非极大值抑制（distance-iou non-maximum suppression,DIoU-NMS）算法代替传统非极大值抑制（nonmaximum suppression,NMS）算法，从而加强模型对相互遮挡果实的检测能力；最后，以训练集中3 098张油茶果实图像训练改进的YOLOv7模型，验证集中442张图像用于在训练过程中评估模型，并对测试集中885张图像进行测试。改进后的YOLOv7模型在测试集下的精确率P为93.52%，召回率R为90.25%,F1分数为91.86%，平均精度均值mAP为94.60%，平均检测时间为0.77 s，模型权重大小为82.6 M。与Faster R-CNN、EfficientDet、YOLOv3、YOLOv5l和原始YOLOv7模型相比，平均精度均值mAP分别提升7.51、5.89、4.21、4.21和2.91个百分点。试验证明，改进的YOLOv7模型为实现油茶果实的智能化采摘提供理论依据。