核桃是世界四大坚果类之首,含有丰富的膳食纤维、不饱和脂肪肝、蛋白质等营养成分。核桃在生长和处理过程中,由于受气候、养分、虫害、采摘期、储藏环境等因素的影响,采摘后品质不一且壳仁分选困难。计算机视觉技术是通过计算机来模拟人类的视觉过程,在农产品检测和识别方面应用广泛。以核桃为研究对象,基于计算机视觉技术建立检测判别模型,为核桃在线检测平台的研发提供理论基础。（1）为实现空壳核桃的检测识别,基于计算机视觉技术,通过图像采集系统采集样本图像,经过3×3模板中值滤波和四领域锐化预处理后,采用形态学和逻辑学运算获取样本投影面积,结合称重法测得的样本重量,分别建立核桃空壳的偏最小二乘（PLS）判别模型和随机森林（RF）判别模型。结果表明两种模型均正确识别出正常核桃和空壳核桃,准确率都为100%。（2）由于自然和人为因素影响,核桃外观会产生黑斑和破裂等缺陷,为实现核桃外观品质的检测和识别,基于计算机视觉技术采集不同缺陷核桃样本和正常核桃样本的图像,通过3×3模板中值滤波和四领域锐化预处理以及利用形态学和逻辑学算法去除图像背景,提取各样本图像的R、G、B、H、S、I、L*、a*、b*9个颜色分量的均值和方差共18个颜色特征参数,利用灰度共生矩阵（GLCM）提取各样本图像的能量、熵、惯性矩、相关性、逆差矩4个方向（0°,45°,90°,135°）共20个纹理特征参数,提取缺陷部分和样本投影像素面积的比值t以及样本图像阈值分割后二值图像的欧拉数共2个形状特征参数。分别利用回归系数法（RC）和连续投影算法（SPA）优选特征参数,比较优选后特征参数所建PLS模型性能,结果表明SPA-PLS模型性能优于RC-PLS模型,SPA优选出的5个特征参数依次为欧拉数,B分量方差,面积比t,B分量均值,90°方向熵,其重要程度依次递减。基于优选的5个特征参数,分别建立核桃外观品质的极限学习机（ELM）判别模型和最小二乘支持向量机（LS-SVM）判别模型,结果表明,ELM模型全体样本判别准确率为92.2%,LS-SVM模型全体样本判别准确率为89.3%,ELM模型判别率略高于LS-SVM模型,但均满足分选要求。（3）核桃破壳取仁时,核仁及分心木会掺杂一起,为快速实现核桃壳仁及分心木的检测识别,并设计检测识别系统,基于计算机视觉技术通过3×3模板中值滤波和四领域锐化预处理以及截取感兴趣区域后,提取各样本图像的R、G、B、H、S、I 6个颜色分量的均值和方差共12个颜色特征参数,利用灰度共生矩阵（GLCM）提取各样本图像的能量、熵、惯性矩、相关性、逆差矩4个方向（0°,45°,90°,135°）共20个纹理特征参数。基于20个特征参数,分别建立颜色特征、纹理特征以及颜色和纹理特征融合处理为输入的LS-SVM模型,结果表明,以颜色和纹理特征融合处理为输入的Y-W-LS-SVM模型判别准确率最高,识别效果最好,总判别正确率为97.1%。以上述理论为依托,利用LabVIEW的视觉开发模块与Matlab的运算能力相结合,设计核桃壳仁分心木检测识别系统,为实现核桃壳仁及分心木在线检测装备的研发提供部分技术支持。