深度学习构成了一种用于图像处理和数据分析的最新现代技术,在图像处理和数据分析方面具有巨大应用前景,智慧农业的发展也已经引入了深度学习。中国农产品中果品的栽种规模以及生产规模都在世界上处于举足轻重的地位,但是果品种类的产后分拣处理技术制约着商品化市场经济的发展,实现水果种类的自动分类识别处理成为国内农业现代化发展的基础条件。面对需求,浅层学习方法的研究需要依靠大量的人为特征信息提取,并且在水果图像中存在类间相似的现象,造成人工提取特征很难达到理想的分类识别效果。本文基于深度信念网络模型的强大自动训练学习能力,高效的完成多特征信息自动提取,提高了水果图像的识别率,为智慧农业研究拓展了思路。本文的主要工作如下:(1)完成数据集双线性插值计算,实现标准尺度上的统一,使用自动阈值分割消除干扰得到彩色目标体。在特征处理方面进行多任务学习,尽可能多层次的对水果图像特征进行扩展以及提高所提取特征的区分性,设计了一种融合纹理特征与颜色特征的深度信念网络特征训练模型。对于颜色特征的定位,选择更加符合机器视觉的HSV色彩空间。在对纹理特征图像处理过程中,选用多层级纹理提取,着重对局部纹理进行提取。首先经过分块局部二值模式算法,再用改进的中心对称局部二值模式完成二次提取,最后使用方向梯度算法作为辅助特征提取方法实现多特征纹理提取功能,经过融合后的纹理特征图像包含的信息更详细。(2)实现潜在特征信息自主高质量快速训练学习方法,在传统的深度学习机制模型基础上,提出一种基于双路的深度信念网络特征训练模型。将训练集的颜色特征图像输入第1路深度信念网络完成训练,第2路深度信念网络完成训练集的纹理特征提取,两路神经网络经过调优独立的完成参数更新,实现具有不同特征提取能力的双路网络,对两个独立训练网络的顶层输出特征使用融合算法完成多特征的融合,获得双路深度信念网络。(3)实现了不同种类水果图像的高质量识别效果。为了检验方案的优越性,将所提出的双路深度学习模型与浅层学习模型和传统的深度信念网络等不同训练方法进行测试结果对比分析,研究中所提出的水果分类识别的平均成功识别率达到95.9%,结果优于其他分类识别算法。同时,在同一环境下对比不同特征信息达到的识别效果,基于颜色特征和多级纹理融合特征条件下的识别准确率最高。综上所述,多特征的融合算法增强了水果图像分类的泛化性,双路深度学习模型提升了水果图像分类的精度和鲁棒性。为智慧农业的发展提供理论支持,为深度学习的进一步研究开辟了思路。