成熟度是影响烟草品质的重要因素之一。在我国,仍然存在着缺乏准确、快速检测烟叶成熟度的方法,因此出现严重的烟叶采青现象、烟草质量不达标的突出问题。常规的检测方法依据现有的烟叶外观判定标准（烟叶成熟特征:叶色变黄,叶片下垂,主脉变白,茸毛脱落,现成熟斑等）,烟农过去一直使用的目测法不易学习及应用,经验主义太强,在实际生产过程中对于外观的描述较为模糊,也很难掌握。颜色是烟叶最直观且主要的外观特征。烟叶内部各种化学成分的产生及利用导致细胞色素变化,所以烟草的外观颜色与其内部生理结构变化及品质之间存在较大相关性。本研究通过对烟草外表颜色所反应的RGB、HSV等特征信息提取并测量以进行内部品质的检测,通过建立基于叶色偏态分布数学模型及人工智能与预测科学为基础的智能判定数学模型,为快速鉴定烟叶成熟度和质量控制提供理论依据以及技术支撑。本文主要研究内容及结论如下:（1）选取每株从上往下数第6～10叶位的烟叶图像信息,提取叶片图像中的叶色特征参数。采用叶片正态参数和偏态参数,分别运用逐步回归法和BP神经网络法构建鲜烟成熟度判定模型F1-F4,采用逐步回归法构建的模型F1、F2判定准确度均低于采用非线性映射的BP神经网络法构建的模型F3、F4,偏态参数模型F4较优,其较F1、F2、F3分别提升了 50.22%、43.55%、10.66%。从而建立起基于叶色偏态分布模拟判定不同生态条件下鲜烟成熟度的方法。（2）选取每株上、中、下部位叶片各3片烟叶图像信息,利用逐步回归法和BP神经网络法构建模型,进行烟叶多部位检测并结合叶色RGB参数、叶色HSV参数、叶面纹理参数、叶型等多个参数形成复合参数增加判断烟叶成熟度的准确性,较仅有叶色RGB参数构建的模型准确率高出9.71%。该方法也可避免气候影响,最大程度地准确判断叶片成熟度,从而建立起以人工智能与预测科学为基础的复合参数智能判定方法。