番茄是世界上最受欢迎的果蔬之一,番茄中含有许多对人体健康有益的营养元素,酸甜的口感也是消费者喜欢番茄的主要原因。番茄的品质是评估番茄价值的重要标准,能够对番茄价值进行直观的描述,是消费者选购番茄的重要参考。番茄的外部品质是影响消费者的购买意愿主要因素,并且番茄外部品质的变化也会导致番茄发生理化反应,从而影响到番茄的内部品质。本文以番茄为研究对象,利用计算机视觉技术对番茄的外部品质（颜色、大小、形状等）和内部品质（糖度）进行检测研究,并开发番茄品质检测系统,为番茄品质评价和自动化分级提供技术支撑。论文主要研究内容如下:（1）探究番茄图像的预处理方法。为获取高质量的番茄图像,本研究设计并搭建可见光的计算机视觉系统,以期减少外界环境对获取图像质量的影响;本研究在分析不同的图像滤波方式的优势与不足的基础上,最终选择中值滤波作为消除原始图形噪声图像预处理方法。实验证明,本系统选用的中值滤波图像预处理方法能够提高图像质量。（2）提取番茄图像的特征。结合番茄自身特性,对番茄图像的特征进行分析。采用RGB与HSI模型,提取番茄图形的颜色特征;采用基于Hu不变矩的方法,提取番茄图像的外形特征。试验表明,所提取的特征均能够有效的反映番茄颜色和形状品质特征。（3）构建番茄外部品质检测模型。基于上述番茄图像外部特征分析结果,将番茄图像中提取的19个特征（7个外形特征,12个颜色特征）为输入,使用最小二乘支持向量机的方法建立番茄外部品质检测模型。鉴于GA遗传算法在全局优化中性能优越,故本研究使用遗传算法（GA）对模型的参数进行优化,尽可能的降低模型的均方根误差,提高模型的准确率和鲁棒性。当惩罚系数C为46.64,核参数为23.04时,均方根误差降到0.79。此时模型在训练集上识别率为86.88%,校正集识别率为83.38%。（4）建立基于卷积神经网络的番茄糖度检测模型。首先,对番茄进行编号并获取图像,并对编号后的番茄进行糖度检测并记录数据。其次,以1:15的比例对图像数据进行扩充,以期满足卷积神经网络对图像数据集规模的要求。最后,采用Alex-Net结构,设置模型初始化参数,建立基于卷积神经网络的番茄糖度预测模型。（5）开发基于Django框架和Open CV的番茄品质检测系统。根据番茄品质检测需求,设计开发一套基于Django框架和Open CV的番茄品质检测系统,系统包含用户登录与注册、图像的预处理、特征提取和番茄内外部品质检测等功能。系统可移植性强,易于部署上线,且操作简单明了,便于用户使用。