青梅是我国重要的果品资源,在我国已有超过三千年的栽植历史,因其丰富的营养价值而受到消费者的喜爱与重视,并且在预防心血管、泌尿、消化系统疾病等方面具有一定作用。但由于当前青梅的产业结构单一,生产方式落后,机械化、自动化水平低,严重限制了青梅产业的发展。不同成熟度的青梅糖酸度含量不同,深加工用途也不同,当前用于加工的青梅成熟度仍以工人依据经验进行判断为主,通过判断青梅的表皮颜色或采摘时间来进行成熟度判断,该方法具有主观性强、检测效率低等缺点,且检测质量没有可靠保证,难以满足大规模的青梅分选需求。除了糖酸度外,青梅的表面缺陷也会影响后续的深加工用途。因此,本文基于机器视觉和深度学习,进行青梅分选技术研究,对其表面缺陷进行分类,预测其内部成分的糖酸度,结合机器学习技术与高光谱成像技术,构建青梅表面缺陷分类模型以及糖酸度预测模型,本文主要完成以下工作:（1）完成青梅分选检测系统的框架设计。根据青梅深加工的需求,制定青梅分选检测系统设计的技术方案。设计青梅表面缺陷分类与及糖酸度预测设备的总体框架,选取青梅光谱数据的特征波段、进行表面缺陷图像预处理和光谱数据处理。（2）构建青梅表面缺陷分类模型。通过加入Adam W优化器、Wce（Weighted cross entropy）损失函数改进Wide Res Net50模型,以此构建青梅表面缺陷分类模型Wide Res Net50-Adam W-Wce,选用准确率和召回率来评估分类的准确性,并与其他四个改进网络在模型性能上进行对比。结果表明,本文搭建的模型在缺陷分类中具有较佳的表现,分类准确率为98.95%。（3）构建青梅糖酸度预测模型。利用深度卷积网络技术,搭建基于Dense Net121网络的青梅糖酸度预测模型,以预测集的平均绝对误差和相关系数评价模型性能,并与Mobile Net V2模型的预测效果进行对比。结果表明,基于Dense Net121糖度预测模型预测集平均绝对误差为0.616、相关系数为0.881,酸度预测模型预测集平均绝对误差0.062、相关系数为0.720,均能够满足青梅分选的实际需求,模型预测性能较好。（4）自主搭建青梅动态分选系统。具有采集青梅表面缺陷分类、动态称重、采集青梅光谱图像进行糖酸度预测以及分选功能。采用pyqt设计的青梅品质分选人机交互界面,简单实用,便于推广应用。