目前,中国的牛肉分级体系所采用的分级方法,还是以主观的视觉评定为主。在评价指标中牛肉大理石花纹等级是最主要的评价指标。由于现在的牛肉等级评定方法是一种主观的评价方法,评定过程难免会受到人为因素的干扰,不仅效率低,而且还会产生较大的误差。因此,计算机视觉、人工神经网络和图像处理技术,被认为是实现牛肉自动分级的最有效的方法。本研究提出基于RGB色彩空间的目标亮度自动调节法,先对图像中眼肌的亮度进行自动调节,降低亮度的影响,然后利用本研究所采用的像素样本获取方法获取的像素样本训练的概率神经网络和图像处理技术,对牛胴体眼肌切面图像进行分割,得到有效眼肌和大理石花纹图像（包含外周脂肪深入有效眼肌中的脂肪小分枝）。然后提取112幅牛胴体眼肌图片（其中包括4幅中国牛肉大理石状的标准图谱）的有效眼肌和大理石花纹图像,并从中提取7个特征参数（能全面准确描述牛肉大理石花纹丰富程度的量化指标）,对提取图像的特征参数进行残差分析剔除异常数据,然后进行主成分分析,得到2个主要成分,建立图像的特征参数的2个主要成分与牛肉大理石花纹等级关系的概率神经网络模型,实现牛肉大理石花纹等级的自动判别。本研究分析了Otsu方法用于图像分割时的局限性,该方法在直方图为3个峰时受背景影响很大。对于现场拍摄的图片,不适合采用Otsu方法。但Otsu方法的优点是所需的运算时间少。在色彩空间的选择中,由于RGB色彩空间变换为HSI色彩空间运算量极大,所以本研究不考虑采用HSI色彩空间。在采用人工神经网络的方法对图像的分割中,分别基于RGB色彩空间和线形变换空间I₁I₂I₃色彩空间,比较了概率神经网络方法和BP神经网络方法,并采用Otsu方法计算BP神经网络输出结果的分类阈值。结果显示,无论BP神经网络训练时也采用Levenberg-Marquardt算法还是弹性梯度下降法,BP神经网络对图像的分割都不稳定,而概率神经网络对图像的分割却很稳定。而且基于RGB色彩空间的图像分割优于线形变换空间I₁I₂I₃色彩空间的图像分割,但是对图像的亮度都敏感。为了解决RGB色彩空间中图像亮度影响图像分割的问题,本研究提出了2种目标亮度自动调节法,方法一是通过计算图像中心区域的眼肌的灰度平均值和设定的亮度值的比值,并用该比值去乘图像的亮度,从而达到对图像的亮度调节。方法二是通过计算图像中心区域的眼肌的R、G、B分量平均值和设定值的比值,并用该比值去乘图像中所有像素的R、G、B分量,从而达到对图像的亮度调节。结果显示,方法一优于方法二,目标亮度自动调节法（方法一）的调节亮度范围为:25.0615≤X≤150.3689本研究采用图像处理方法剔除了赘肉,并成功的提取了包含外周脂肪伸入有效眼肌中的脂肪小分枝的牛肉大理石花纹。而且脂肪小分枝被分割为牛肉大理石花纹的面积可按实际需要进行参数调节。图像处理方法中包括:二维中值滤波、二值图像空洞填充、二值图像腐蚀、标记连通分量、标记选择、二值图像膨胀、二值图像轮廓线提取、二值图像“与”操作、二值图像“非”操作、二值图像“或”操作、彩色图像加操作、二值图像与彩色图像的各分量的点乘操作。本研究采用的概率神经网络与图像处理相结合的图像分割方法,能在几乎任意背景下进行牛肉大理石花纹的精确分割。但也有局限性,本文对局限性进行了分析,并提出了简单有效的解决办法。本研究提取牛肉大理石花纹图像的7个特征参数包括:大理石花纹总面积、大颗粒脂肪总面积、小颗粒脂肪总面积、大颗粒脂肪密度、小颗粒脂肪密度、总脂肪颗粒密度、脂肪分布均匀度。通过对图像的7个特征参数进行主成分分析,得到2个主要成分,这2个主成分的方差贡献率之和高达97.2569%。并分别用7个特征参数和2个主要成分数据对BP神经网络、遗传BP神经网络、概率神经网络进行训练和验证,并与传统的多元回归分析相比较,结果显示,神经网络的网络输出结果与实测值的相关系数R值均高于传统的多元回归分析的相关系数R（R=0.767,0.761）,但BP神经网络和遗传BP神经网络分级的结果不稳定,而概率神经网络的分级结果很稳定。概率神经网络基于7个特征参数为训练数据的网络分级结果与实测值相关系数R=0.932,基于2个主要成分为训练数据的网络分级结果与实测值相关系数R=0.994。显然,基于2个主要成分为训练数据的概率神经网络分级模型的优于基于7个特征参数为训练数据的概率神经网络分级模型。本研究对于我国开发基于计算机视觉技术的牛肉大理石花纹自动分级技术产品具有重要的参考价值,对推广和应用我国牛肉等级标准,提高我国肉类质量分级水平具有重要的经济意义。本研究的所有实验,都是基于MATLAB7.0编程完成。