目前玫瑰鲜切花分级环节的工作效率与市场的强劲需求完全不匹配,生产效率低下意味着与其它采用先进生产作业方式的同类型产品进行竞争,缺乏市场竞争力。现代化农业生产应该采取高度自动化与智能化相结合的作业方式。受限于生产成本与保守的种植理念,玫瑰切花的采摘与分级环节仍然采用纯手工方式。本论文为了有助于解决玫瑰花分级环节工作强度大、分拣效率低、分类准确率差以及分类特征提取困难等现实中存在的问题,利用机器视觉技术、深度学习理论以及迁移学习等理论与方法,进行玫瑰切花图像的分类研究。本论文首先对玫瑰花的分类特征指标进行了研究,查阅相关文献资料,调研花卉种植基地与植物研究所,收集玫瑰花手工分级的评价指标以及分级环节的注意事项,将收集的文献资料进行归纳总结并制定成玫瑰花分级标准。把玫瑰切花分级标准作为机器视觉图像分类系统设计环节的参考依据以及系统验证阶段的评判准则。为了更好的提取玫瑰花分类特征,本论文选用多种卷积神经网络应用于玫瑰切花图像分类研究,并通过优化模型参数提升分类模型的性能。卷积神经网络利用其复杂的网络结构进行计算推理,自动提取不同维度的分类特征,并将提取的多维度的特征指标作为分类依据。相较于传统的机器学习分类方法,在分类图像目标特征提取方面,卷积神经网络无需手工提取分类特征,减轻了本课题的工作量,降低了图像分类研究的复杂度。图像预处理阶段,为了抑制图像中的噪声,提取有价值的感兴趣区域,本论文选用多种图像降噪处理方法,将不同方法的处理效果进行对比,选择效果最佳的处理方法应用于玫瑰花图像分类系统中。为了进一步提高玫瑰花分类网络模型的可靠性、准确率以及鲁棒性,运用迁移学习的方法实现该目标。玫瑰花图像分类研究分为两个模块:一维测量、俯视图分类。一维测量部分利用标定后的工业相机对玫瑰花进行图像实时采集,通过编写的机器视觉测量系统进行测量,并将测量获得的数据作为玫瑰花分级的依据。利用机器视觉图像测量无需接触的优点,能够有效克服人工分拣出现的二次损伤、分级效率低等难题。俯视图分类部分主要利用卷积神经网络对采集的玫瑰花图像进行花形分类,并将分类结果传输至图形交互界面。最后将HALOCN环境下编写一维测量程序转化为C#程序,并把C#程序导入Visual studio.NET Framework3.5平台中进行联合编程。通过实际的系统测试,图像分类系统训练准确率达到91%,验证准确率达到课题初期设定的目标,分类精度满足花卉加工要求。