近年来,气候变化对苹果品质的影响程度逐渐增强。针对气象因素进行科学的品质预测对于果农收入、果品供求、市场流通等具有重要作用。苹果病害时常发生,但由于果农缺乏病害识别与防控技术,易导致错判苹果病害种类而不当施药,造成经济损失。若及早发现并诊断病害种类,进行精准防控,对保障我国苹果品质具有重要作用。随着机器学习、深度学习的不断发展,借助算法有效地进行科学预测成为可能。本文针对苹果品质预测、图像识别模型等问题展开研究,主要研究内容及研究成果如下:(1)针对堆叠稀疏自动编码器训练时间较长的问题,提出了一种基于K均值聚类优化堆叠稀疏自动编码器模型。该模型共有2点改进:在传统堆叠稀疏自动编码器模型的基础上,引入了K均值聚类算法和并行级联学习机制,前者通过对输入层及各隐层的输入向量进行聚类,生成K个子类并行输入到K个稀疏自动编码器中训练,减少并行稀疏自动编码器的输入数据规模;后者通过并行级联学习,有效地融合并行稀疏自动编码器的权值参数,加快模型运行速度。该改进模型与最近提出的堆叠降噪稀疏自动编码器相比具有更高的识别准确率,且极大地减少了模型的预训练时间,加快模型开发速度。实验结果表明传统训练方法存在冗余训练现象,小样本集划分有助于优化网络学习参数。(2)针对迁移学习机制及图像增强方法在小样本数据集上存在过拟合现象,提出了混合图像扩增方法,即将去噪声图片和有噪声图片一同输入网络进行训练,缓解网络过拟合现象。实验表明,混合图像扩增方式在苹果叶片病害小样本数据集上有较好的识别效果。其次,将基于模拟退火粒子群算法优化支持向量机回归模型引入到苹果品质预测上。采用模拟退火算法对每次迭代过程中的粒子进行局部寻优,可以有效避免早熟现象,但收敛性能一般,需要更多的迭代次数。粒子群优化支持向量机模型虽然收敛速度快但容易陷入局部极小值。综合比较,采用模拟退火粒子群算法优化支持向量机算法构建苹果品质预测模型更佳。(3)开发了苹果叶片病害识别及品质预测管理系统。为实现苹果叶片病害的及时诊断和品质的科学预测,本系统共设计数据采集层、数据存储层、数据挖掘分析层和数据信息及结果可视化层,完成了苹果管理系统的整体系统架构及功能模块的构建,并挖掘所采集信息,实现了苹果基础数据子系统、苹果品质预测子系统和病害图像识别子系统的研发,为果农、政府提供更优质的辅助决策服务,为苹果病害精准防控提供支撑。