青梅含有人体代谢不可缺少的柠檬酸等多种天然酸,为目前已发现的罕见碱性林果。青梅含有丰富的氨基酸、脂类、无机盐、维生素和微量元素,具有很高的营养价值和药用价值,对人体蛋白质组成和正常代谢十分有益,对普遍存在的心血管、泌尿、消化系统疾病有明显的预防作用和疗效。在梅果的实际生产中,原料青梅果的成分通常是依靠工人的经验来控制的,即通过采摘时间进行成分的管理控制。一般来说,七成熟采摘的梅果用于生产青梅精,八成熟采摘的梅果用于酿造青梅酒,九成熟采摘的梅果用于鲜果食用。目前青梅的缺陷分类和成分测定仍然依靠人工完成,存在着效率低、质量低等问题,远远不能满足青梅制品的生产需求。此外,青梅的外观品质也对青梅的品级有很大的影响,不同外观品质的青梅所应用的场景也不同。因此,本文以青梅为研究对象,基于人工智能技术,研究青梅表面缺陷分类以及内部糖酸度的快速无损检测方法,主要完成以下研究内容:（1）搭建一种新的高光谱成像系统,保证样品数据采集过程中的系统稳定,选取青梅样本,采集青梅高光谱图像数据,对图像进行黑白校正以及提取每个青梅的光谱特性曲线,作为青梅的光谱信息。对青梅进行理化检测,采集青梅的SSC和p H结果,作为青梅的成分信息,为后续的模型研究建立基础;搭建一个青梅表面图像静态采集设备,为最终实现青梅快速动态缺陷分类和分选提供前期技术支持。（2）以基于卷积神经网络的VGG网络模型为基础,结合青梅的分类特征要求,使用随机权值平均优化器SWA（Stochastic Weight Averaging）和w-softmax损失函数来对VGG网络进行调整,通过迁移学习的方式来进行青梅雨斑、腐烂、疤痕、裂纹等缺陷以及完好青梅的分类训练,选用准确率、召回率和F1-Measure来评判模型分类的效果,并与源VGG网络和Res Net-18网络的分类效果进行对比。结果表明,青梅缺陷分类网络对青梅缺陷分类的平均准确率达到93.56%,且在训练时损失值下降较快且得到的损失值更低,模型收敛速度较快,验证了青梅缺陷分类网络的优越性。（3）以基于集成学习的XGBoost模型为基础,通过加入核主成分分析KPCA（Kernel Principal Component Analysis）和线性判别分析LDA（Linear Discriminant Analysis）改进XGBoost模型以此来进行青梅糖酸度的预测,选用预测集和交叉验证集的相关系数、均方根来评判模型的预测效果,并与在KPCA中不同核函数对于青梅糖酸度的预测效果以及XGBoost、KPCA-XGB、LDA-XGB、KPCA-LDA-XGB模型的预测效果进行对比。结果表明,基于KPCA-LDA-XGB的糖酸度预测模型在青梅糖酸度预测上具有较好的性能,预测集相关系数分别为0.956、0.829,预测集均方根误差分别为0.056、0.107。（4）设计青梅自动分选系统,根据缺陷分类结果和糖酸度预测结果,将青梅按照品级进行分等,分等结果可以直接显示在界面上。