核桃营养价值丰富,还有很高的食疗价值和药用价值,有长寿果之美誉。作为特色优势农产品,近年来核桃产业高速发展,提升和改进核桃分选检测技术成为提高我国核桃商品价值一个重要环节。为此,本研究以核桃为研究对象,利用X射线成像技术和图像处理技术获取核桃的内部特征信息,建立品种、品质判别模型和重量预测模型,为核桃分选设备的研发提供了理论基础。主要研究内容和结论如下:（1）为实现核桃品种检测识别,基于X射线成像技术采集核桃样本的X射线图像,通过巴特沃斯高通滤波器对图像预处理,利用形态学和逻辑学算法去除图像背景;然后采用灰度差分统计、灰度共生矩阵和方向梯度直方图特征共提取59个纹理特征参数,提取面积、周长、圆形度、矩形度、长宽比以及几何不变矩共12个形状特征参数。最后分别利用极限学习机（ELM）和概率神经网络（PNN）建立核桃的双品种判别模型和多品种判别模型。结果表明ELM模型的判别效果优于PNN模型,双品种判别模型的准确率均高于90%,多品种判别模型的准确率为88.76%。（2）为实现空壳核桃和干瘪核桃检测识别,基于X射线成像技术采集“礼品2号”核桃的X射线图像,依次称取核桃重量和核桃仁重量,计算出仁率。然后将核桃划分为空壳核桃、干瘪核桃和正常核桃。对采集到的X射线图像进行预处理和图像分割,设置训练集和测试集,构建不同的卷积神经网络判别模型,分析比较优化器类型、初始学习率、正则化系数和Dropout优化对模型性能的影响。结果表明,卷积层为4层、池化层为4层、批量尺寸为128时,模型稳定且取得较好的判别结果。最终确定选择优化器为Sgdm、初始学习率为0.001、正则化系数为0.001和添加Dropout层后的卷积神经网络模型为最优模型,模型的准确率达到96.58%,其中空壳核桃和正常核桃的检测准确率为100%,干瘪核桃的检测准确率为89.75%。模型取得较好的预测效果,也有效防止了模型的过拟合。开发空壳核桃分选检测系统,将MATLAB强大的图像处理和计算功能运用于Lab VIEW中,验证系统的稳定性。结果表明正常核桃和空壳核桃的识别率可达100%,干瘪核桃的识别率为93.33%,可实现空壳核桃和干瘪核桃的检测,为核桃内部品质的在线检测设备研究提供了理论基础。（3）由于核桃密度相对不恒定,为提升核桃重量预测的精度和实现核桃的精选分级,基于X射线成像技术对核桃及核桃仁的重量进行预测分析。通过图像处理技术分别提取出核桃和核桃仁形状特征参数,采用PLS和RBF两种建模方法建立了以核桃特征参数、核桃仁特征参数、核桃与核桃仁整体特征参数、核桃与核桃仁优选特征参数的重量预测模型。结果表明,采用CARS算法优选出核桃的面积、长宽比、紧凑度和核桃仁的面积、周长为特征参数,建立的重量预测模型最优,CARS-PLS和CARS-RBF核桃重量预测模型的决定系数分别为0.8454和0.8604,RPD分别为1.7689和1.8624;CARS-PLS和CARS-RBF核桃仁重量预测模型的决定系数分别为0.7619和0.7758,RPD分别为1.4394和1.4788。采用整体特征参数建立的模型也取得较好的预测效果,而采用单独的核桃特征参数或核桃仁特征参数建立的模型稳定性差、精度低,无法实现重量检测。