监测苹果生长过程中的直径变化对于预测苹果发育状况、指导果农进行农事操作具有非常重要的作用。采用人工测量等传统方法存在效率低、精度差等问题，而机器视觉为实现苹果生长过程连续、快速的监测提供了支持。由于在果园自然条件下，生长期苹果果实个体颜色差异较大，又受光线变化等因素的影响，使拍摄到的苹果图像比较复杂，为苹果的分割、识别和直径提取带来了一定的困难。为了解决上述问题，本文主要针对自然场景下生长期内自动监测苹果图像进行不同颜色分量选取、二值化处理和去噪等操作，然后对二值化后的苹果图像进行边缘检测，利用两种圆拟合方法（HOUGH变换和最小二乘法）进行半径拟合，分别与实测直径对比分析，选用最小二乘法的模拟半径值与果实发育天数建立Logistics方程，并对模型进行验证。本文的研究内容分为以下三部分：　　1.生长期果实识别。利用三种不同颜色模型（RGB、Lab、YCbCr）中的8种分量，对生长期（本文分为初期、中期、后期）苹果图像进行识别，计算果实面积和噪声率，将果实面积与真实果实面积比较，并结合噪声率大小，从而选择不同时期适合的颜色模型提高识别率。对初期苹果分割时，应优先选用RGB模型下的g-r分量进行提取；对中期苹果提取时，应优先选用r-b分量；对成熟期苹果进行提取的过程中，优先选用a*分量进行提取。选出合适的颜色模型，使其能适应不同颜色变化而进行有效分割，为苹果生长期识别提供了依据。对于已提取的灰度图像，选取OTSU（最大类间方差）法进行图像分割，利用数学形态学开闭运算、删除小面积区域进行图像去噪处理，最后对二值化图进行填充操作。　　2.果实半径识别。通过分析比较几种边缘算子，选用Canny算子对二值化图像进行边缘信息提取；利用最小二乘法和HOUGH变换对图像进行圆拟合，提取半径信息，分别与实测直径对比分析，通过分析决定系数、均方根误差和平均绝对误差来判定拟合程度，结果表明最小二乘法得出的半径值与真实值之间的决定系数R2，均方根误差为和平均绝对误差均优于HOUGH变换方法。说明最小二乘法的模拟直径值更接近于实测值，最小二乘法更适用于本文图像的圆拟合，且检测简单、速度快。　　3.建立生长发育模型并验证。由于果实直径发育呈S型曲线增长并且Logistics曲线较好的描述了苹果的生长发育规律，因此利用最小二乘法的模拟直径值y与盛花期后的生长发育天数t建立Logistics曲线方程，该方程能模拟果实生长过程中的直径大小。选取任意天数进行模型验证，验证结果与真实值误差在2mm以内，符合苹果直径评价要求。　　对不同时期的苹果果实进行图像识别、分割提取等技术，可以提高果实识别效率。建立直径发育模型并对验证其可靠性，发现模型拟合的直径与实际直径高度吻合。说明该模型较好的反映了果实直径变化的动态规律，能适时地调整生产计划，为苹果优化栽培、数字化管理及果实生长发育规律的研究提供技术支持。