中国农产品、食品生产企业数量多、规模小、分散,质量参差不齐,市场消费人群和渠道比较多。在食品行业越来越兴盛的今天,人们对食品检测领域投入了大量的工作。在水果中,苹果是全球最受欢迎的水果之一,对人类的身体健康有着很大的益处,市场需求量极大,平均每年全球要吃掉近4000亿个苹果,足以看出人们对它的喜爱。在苹果从生长成熟到摆在货架贴好种类标签的市场化过程中,为了保持苹果的新鲜度和整齐度,在丰收时节需要果农们通过人眼对苹果进行分类,手工分拣装箱,需要消耗大量的人力物力,效率比较低,容易造成苹果品质降低,产品积压,因此,苹果的分类检测实现智能化是很有必要的。传统的苹果分类方法已经趋于成熟,但是还存在一些局限性,如需要复杂的实验室环境,投入资金较大,实验过程比较繁琐,效率较低,准确度不够高,操作流程不够便捷,不适合推广到现实生活中去。本文将苹果作为研究对象对苹果分类的特征提取和分类器模型进行研究。主要工作包括以下两个部分:特征提取方法和分类方法。提出了一种基于多角度多区域特征融合的苹果分类方法。该方法使用手机摄像头从多个角度拍摄苹果图像,并从每个图像中提取多个较小的区域。用颜色直方图来表示每个区域,并将所有区域直方图组合起来,生成一个单一的特征向量来表示苹果,然后通过建立机器学习模型对其进行分类。实验表明,该方法是有效的,准确率高达97.87%,操作简单,成本较低。在特征融合的苹果分类方法基础之上,提出了一种两层分类的分类器模型,并将其应用于苹果分类。该分类器模型以每一对类为单位对原始训练数据集进行类标签的重新定义,并在基分类器中创建相应的分类模型,称为特征提取器模型,然后将原始训练数据集依次通过这些特征提取器模型,把输出的特征向量作为重构数据集的特征元素并组合在一起,产生重构数据集,最后,用重构的训练数据集在基分类器上创建一个分类器模型。将该分类器模型应用于特征融合的苹果特征数据,得到了更好的分类结果,适合转化为手机应用并推广到市场中去。