小麦籽粒的优劣不仅是判断小麦品质好坏的一个重要指标,还是决定产量的关键性因素。分级籽粒的技术可以准确表示出小麦的优劣,这项技术可以为小麦的育种工作提供参考依据,还可以实现基于形态特征下鉴别小麦籽粒的品质。目前,大部分的谷物检测实验都还停留在具有很大主观性和局限性的人为观察评判阶段,针对目前基于机器视觉检测技术依靠大量图像特征参数作为依据并且识别率还不高的问题,本论文以实现小麦籽粒的优劣分级为目标,以小麦籽粒作为研究对象,研究了图像预处理和图像分割提取的方法,基于人工提取特征的传统SVM（Support Vector Machine）识别方法,BP神经网络识别方法,重点研究了基于深度学习算法的识别模型构建方法,构建了基于VGG16网络,Inception V3网络,Inception Res Net V2网络的籽粒优劣分级模型。论文的结果如下:（1）采集到的籽粒图像使用不同的预处理方法来进行效果对比,最后得出对图像进行灰度化处理,采用7x7模板的中值滤波和对图像进行形态学处理,可以很高效的除去图像中的噪点;运用连通区域重心提取法可以实现对图像中籽粒的数目进行计算,并且还可以将图像里的多个籽粒分割成单个的籽粒图像,可以为后面籽粒特征的提取带来极大的便利。（2）本研究通过主成分分析算法对人工提取到的23个特征参数进行特征优选,优选得到了8个主成分因子,解决了因特征参数数目过多导致的数据冗余问题。并将其作为特征向量输入进SVM模型和BP神经网络,完成了对小麦籽粒的分级检测,分级准确率分别为83.3%和85.8%。从分级结果得出,以人工提取特征参数作为分类模型的判定依据来实现对籽粒的优劣分级,这种方法是可行的,但过程复杂、繁琐,并且最后的识别准确率还不高,很难满足日后的实际需要。（3）针对SVM模型和BP神经网络的分级准确率不高以及人工提取和选择特征时的不准确和繁琐的问题,进而研究了基于深度学习算法的籽粒分级模型。构建了基于VGG16算法的籽粒优劣分级模型,这种模型对籽粒的正确识别率达到了90.3%,接着又构建了基于Inceptio V3算法的籽粒优劣分级模型,这种模型的识别率为91.8%。最后为了精益求精,研究了结构更复杂网络深度更深的Inception Res Net V2的模型,通过加入残差结构,进一步解决了经典的卷积网络性能恶化的问题,对小麦籽粒的识别率达到了94.3%,识别的效果相对最好,能够满足快速检测和分类的应用需求。