Debido al poco tiempo, la alta intensidad laboral y la alta carga de trabajo en la cosecha de frutas y verduras, la recolección robótica en lugar de las operaciones manuales es el futuro. La precisión en la detección y ubicación de objetos está directamente relacionada con la eficiencia, calidad y velocidad de recolección de frutas de los robots. Debido a su baja precisión de reconocimiento, lenta velocidad de reconocimiento y poca precisión de localización, el algoritmo tradicional no puede cumplir con los requisitos de los robots de recolección automática. La tecnología de aprendizaje profundo, cada vez más evolucionada y potente, puede resolver eficazmente los problemas anteriores y ha sido ampliamente utilizada en los últimos años. Este trabajo resume y analiza sistemáticamente alrededor de 120 literaturas relacionadas sobre los algoritmos de detección de objetos y posicionamiento tridimensional de robots de recolección en los últimos 10 años, y revisa varios métodos significativos. Se proponen las dificultades y desafíos que enfrentan los algoritmos actuales de detección y localización de frutas desde los aspectos de la falta de conjuntos de datos de alta calidad a gran escala, la alta complejidad del entorno agrícola, etc. En respuesta a los desafíos anteriores, se proponen soluciones correspondientes y tendencias futuras de desarrollo de manera constructiva. La investigación futura y el desarrollo tecnológico deben resolver primero estos desafíos actuales utilizando el aprendizaje débilmente supervisado, la construcción eficiente y ligera de modelos, la fusión de múltiples sensores, entre otros.