在淡水珍珠产业中,由于带有瑕疵的珍珠价值会大幅下降,所以珍珠产业中最重要的便是珍珠的瑕疵识别分类及等级鉴定。目前瑕疵分类主要通过人工鉴定,这样会费时费力而且判断标准受个人因素影响。如果能够用机器代替人工,将减少大量的人工成本并且提高检测效率。本课题研究是针对珍珠瑕疵的图像分类、瑕疵面积计算及分级两大问题。图像分类中,在研究的珍珠瑕疵图像选用中,采取体视显微镜拍摄的方法,拍摄得到4种珍珠瑕疵样本,并以此作为应用数据集输入,训练集中包含4种类别,各包含500张样本图片,共计2000张;对应的测试数据集共800张。用到Keras深度学习平台,该网络结构中应用了5层卷积层,5层Max Pooling,3层全连接层。通过Image Data Generator（）扩大两种数据集数量;同时使用Dropout方法,进行降低过拟合。对于卷积模型中的多个对应参数,多次控制变量法进行实验后确定最优方案。由于现存的小样本的自身特性,应用迁移学习即VGG-16模型到本次研究中,应用了它比较常用且有效的两种方法:特征提取和微调。实验结果可以表明,应用了迁移学习后形成的模型收敛性比自设模型强;同时两者的训练准确率也大都达到了90%以上,符合瑕疵识别的基本要求,而应用了迁移学习的模型的验证准确率却比自设模型高。瑕疵面积计算提取及分级中,采取除螺纹外的3种珍珠瑕疵样本作为数据输入;利用matlab进行图像预处理,包括颜色空间转换、图像滤波、阈值分割;在边缘提取阶段,使用并改进了Sobel边缘提取算法,提取珍珠瑕疵轮廓结果连续性好,结果图清晰,不同的区域区分度高,克服了Sobel算子进行边缘检测存在边缘粗糙、对噪声敏感的缺点。最后通过边缘检测取反,标记各区域,得出各区域像素面积,进而得到单一平面内的珍珠瑕疵面积占比,并依据现有分级手法将样本珍珠瑕疵图像的瑕疵度进行分级。利用minboundrect（）函数测量瑕疵最小外接矩形框的长轴长度与千分尺测量实际数据对比,验证得到此种珍珠瑕疵面积提取方法的可靠性。对于珍珠瑕疵面积的提取提供了有力的手段。