近年来,卷烟在中国的销量与日俱增,烟草公司在我国经济主体中扮演着重要的角色。烟叶分级是烟叶商品化的重要步骤之一,正确的对烟叶分级才能产生最大的经济效益。当前对烟叶进行分级主要仍以人工分级的方式完成,即由经验丰富的采购员依靠眼、鼻等感官进行主观判定。这种人工分级的方式不仅效率低下,而且准确率也无法保证,容易使得烟农与收购员之间产生民事纠纷,因此研究一种高效、准确率高的烟叶分级模型具有十分重要的意义和价值。本文对烟叶图像和近红外光谱进行研究,提出基于深度学习对烟叶进行自动分级的算法。针对训练深度学习模型需要大量高质量数据的问题,搭建烟叶图像采集系统,保证采集烟叶图像过程中具有一致的外部环境条件。对采集的图像采用合适的滤波算法进行噪声去除,并使用一系列数据扩增方法提升图像数据量,完成烟叶图像数据集的制备。同时利用近红外光谱仪采集烟叶光谱数据,使用多元散射校正等算法去除光谱数据中的冗余噪声,完成烟叶光谱数据集的制作。针对传统烟叶分级方法误差大、效率低的问题,提出一种将双通道注意力机制与深度学习技术相结合的烟叶分级方法。首先在Inception-V3、Res Net50、Dense Net121这三种经典模型上对烟叶图像进行微调实验,挑选分级性能最佳的Inception-V3模型作为后续实验的骨干网络;其次在网络中嵌入本文构造的双通道注意力模块增强模型的特征表达能力;然后将浅层网络中边缘、长度等有用信息与深层网络提取的复杂语义特征进行特征融合,提升模型对烟叶图像的分级性能;最后通过梯度加权类激活映射法可视化模型的训练过程,为分类结果的合理性提供可靠的支撑。在烟叶数据集上进行测试实验,模型分级准确率可达95.2%,能够实现高准确率的烟叶分级。针对目前移动设备算力有限导致难以对深层网络进行运行的问题,提出一维多尺度卷积神经网络对烟叶进行分级的方法。首先初步搭建深度学习模型对烟叶近红外光谱数据进行分级;其次在网络中加入提出的多尺度卷积模块,加强模型自适应提取不同尺度特征的能力;然后对比不同预处理方法对模型分类性能的影响,提出将多个光谱数据进行首尾串行连接的方式,使得模型输入数据包含更多有用的特征信息;最后通过调整网络结构和超参数提升模型性能,对烟叶近红外光谱数据的分类准确率可达97.6%。所提方法能够有效解决烟叶分拣准确率低下的问题,有助于推进烟草收购进程,对我国经济发展具有重要意义。