柑橘是中国重要的水果之一,具有食用价值和药用价值,是人们比较青睐的餐后水果。传统柑橘分类的研究建立在人工长期积累的经验基础之上,而这种方法往往需要耗费大量的时间与精力,对果农来说投入的成本较高。本文将柑橘图像和深度学习算法模型结合,对柑橘图像进行机器识别分类,可以有效的减少人工对柑橘质量分类所耗费的时间,降低了人工分类检测成本,提高分类识别效率和精度。本文以重庆本地柑橘为研究对象,借助迁移学习和数据增强的功能,再结合机器视觉的Transformer对柑橘分类检测。根据Vi T（Vision Transformer）的对比实验选择精度表现效果更好的Swin-T（Swin Transformer）模型进行柑橘分类检测系统的设计和实现。首先对柑橘分类标准进行研究,通过分析柑橘表面特征,将柑橘图像分为特等品、一等品、二等品和次品,收集和处理好四种不同等级的柑橘图像数据集,在整理数据集阶段对柑橘图像进行数据增强处理。其次,根据两种深度学习图像分类模型的配置要求搭建实验环境,搭建Vi T深度学习图像分类模型和Swin-T深度学习图像分类模型,修改两个模型的参数,与本文研究对象和目标相匹配,再让两个模型分别作用于庞大的数据集中进行训练。将得到的结果通过迁移学习方法迁移到目标模型中。最后,实验结果表明,Swin-T模型比Vi T模型略胜一筹。所以选择Swin-T模型进行柑橘分类检测系统的需求分析、开发、测试和维护等一系列设计和实现。本文实现了Transformer模型在农产品中的实际运用,开发实现基于视觉Transformer的柑橘分类检测系统,为果农们实际解决了柑橘农产品分类的问题,在短暂的收获季节为果农们节约了时间、劳动力和提高工作效率,拓宽了Transformer在深度学习中的领域和Transformer在农业信息化方向的农业应用,推动了深度学习在农业生产中的实际运用和创新。