我国是苹果生产大国,但不是贸易强国。苹果出口量仅占总产量的3%,其主要原因是苹果采后品质检测及分级水平较低。现阶段苹果大多依靠人工进行分级,工作效率较低,并且在自动分级中主要依据苹果单一特征进行分级,分级精度不高。因此,本文以红富士苹果为研究对象,提出了基于图像处理的多特征和多分类器下的苹果分级,完成缺陷果的识别和完好果的分级,提高了分级效率和精度。本文首先获取苹果图像,并进行RGB和HSI模型介绍,提取这两种模型下的苹果分量图。经过对比发现,在R分量图下利用Otsu法进行图像分割时效果最好。通过开操作平滑目标边缘,利用Canny算子检测目标轮廓,同时完成果梗和缺陷区域彩色图像的提取,为特征检测奠定基础。其次,对于缺陷区域和果梗区域,提取其纹理和几何特征。对于完好果的特征提取而言,通过计算苹果图像的最小最大半径比和圆形度来描述苹果形状;利用颜色定量分析和红色着色率来获得苹果颜色特征;并根据GB/T 10651-2008《鲜苹果》中最大横截面直径作为果径,提出了一种苹果大小检测的方法,即先计算每个苹果表面的最小最大半径比,将比值最大的那一面作为果径面,然后将果径面的最小外接圆直径作为苹果大小并进行实验对比,结果表明该方法符合实际分选要求。最后,进行苹果分级工作。通过逻辑判断法和支持向量机模型来判别苹果是否为缺陷果。在对完好果的分级中,本文分别进行了单一特征下的分级;多特征组合下利用K-最近邻、BP神经网络和支持向量机算法的分级;为了提高分级准确率,又提出多分类器融合的分级方法,即将准确率高且差异性大的单分类器进行融合,并将各单分类器结果通过加权投票法进行结合,最终分级准确率高达90.2%。本文研究结果为苹果自动分选提供参考。