西梅具有丰富的营养价值和极高的保健功效,近几年受到人们广泛关注,种植面积正在不断扩大,已成为一些地区农民致富的钱袋子。由于西梅生长过程中会出现缺陷,西梅鲜果在采摘、贮藏、运输及销售等环节容易造成摔伤,尤其对于肉眼不可见的轻微损伤的鲜果,不易分离出来。如果轻微损伤的西梅没有得到及时处理,就会加速自身以及完好西梅的腐烂,直接影响西梅的市场价值。目前,在我国主要盛产西梅的新疆等地依然采用人工分级的方式进行分选,分级准确率不稳定,而且分级效率也低。因此,识别出轻微损伤西梅和建立快速、简便又准确的西梅品质分级系统,已成为亟待解决的问题。本文以太谷小法兰西西梅为研究对象,利用高光谱技术检测轻微损伤西梅和机器视觉技术对西梅品质进行分级。主要研究内容及结论如下:（1）在全光谱波段900-1700nm范围内,分析对比5种预处理方法（G-F、M-F、SG、Moving-Average和Baseline）对距离土地2米、3米轻微损伤西梅与完好西梅总体判别精度的影响。采用5种方法对西梅原始光谱数据进行预处理,并建立非线性极限学习机（ELM）、线性偏最小二乘判别分析（PLS-DA）和最小二乘支持向量机（LS-SVM）的判别模型,对3种样本的正确识别率分别为90.66%、88.44%和91.56%。由此得出,基于原始光谱所建立的LS-SVM预测判别模型取得了较优的判别效果。（2）在全光谱波段900-1700nm范围内,采用RC、CARS和SPA算法提取特征波长分别建立非线性极限学习机（ELM）、最小二乘支持向量机（LS-SVM）和线性偏最小二乘（PLS-DA）判别模型。结果表明:在距离土地2米、3米轻微损伤西梅和完好西梅判别模型中,采用SPA方法提取的13个特征波长,所建立的PLS-DA判别模型有较好的判别效果,其判别率为94.67%。（3）基于机器视觉技术对西梅图像进行加权平均法灰度化,使用OTSU阈值分割法对灰度化西梅图像进行分割,利用掩膜技术将西梅从图像背景中分离出来,然后采用Canny算子对背景分割后的西梅图像提取形状特征参数。利用颜色特征提取出了西梅的缺陷区域。通过提取的特征参数和缺陷区域数据建立后极限学习机（ELM）和最小二乘支持向量机（LS-SVM）两种分级器模型,通过对测试样本预测,结果表明最小二乘支持向量机（LS-SVM）的分级准确率最高,为90.05%。（4）利用Matlab的GUI工具箱实现了用户界面的设计,开发设计西梅品质分级系统。