我国作为饮茶大国,茶园面积与茶叶年产量位居世界第一,随着农业机械化的大力推广,越来越多茶企开始使用机械采茶,而机采茶中混合有不同类型的鲜茶叶无法直接生产加工,鲜茶叶精确分类成为茶叶生产加工过程中的一个重要环节。目前广泛使用的基于物理原理的分选方法准确率与效率低下,而现有基于图像处理及机器学习的分类方法也无法按照生产加工所需的单芽、一芽一叶、一芽二叶、一芽三叶等类别精确分类。为解决此问题,进一步提高鲜茶叶分类准确率同时减少分类模型训练时间,结合鲜茶叶分类应用场景,分别基于传统机器学习和深度学习提出两种鲜茶叶分类模型。本文主要研究内容和成果如下:（1）提出一种基于多特征与多分类器的鲜茶叶分类方法。通过提取鲜茶叶图像5个几何特征、7个Hu不变矩和1个HOG特征构建特征向量,利用支持向量机构建基础鲜茶叶分类模型;然后对鲜茶叶图像进行多边形拟合、特殊角点检测,并计算概率矩阵及距离矩阵,基于距离矩阵相似度为判断条件得到基于形状特征的分类结果;最后利用KNN对上述两种方法进行结果融合,从而得到最终分类结果。该方法可以更好的利用鲜茶叶形状特征实现分类,实验表明,基于特殊角点及其距离矩阵的分类方法与SVM、KNN、BP神经网络等分类模型融合均可提升分类效果,将基于多特征与多分类器的鲜茶叶分类方法用于鲜茶叶数据集进行分类,准确率可达94.2%。（2）提出一种基于通道注意力机制Inception V3迁移学习的鲜茶叶分类方法。对Inception V3提取到的特征图进行挤压与激励操作,通过参数更新学习特征图各个通道的特征权重并对原始特征进行特征缩放,抑制贡献度较低的特征并增强贡献度较大的特征从而提升分类效果;并利用特征提取与微调相结合的方式进行迁移学习,同时在微调训练时对网络进行层次化划分,对预训练模型部分进行层次化参数冻结迁移学习来减少训练时长。实验表明,基于通道注意力机制的Inception V3分类效果要优于原始Inception V3,在鲜茶叶数据集上召回率、精度、F1-Score分别提高5.0%、4.5%、4.9%,利用特征提取与微调相结合的方式进行迁移学习可以在训练效果达到微调方法的同时减少训练时间,基于层次化参数冻结迁移学习方法可在不影响模型性能的同时适当调整参数冻结数量从而降低迁移学习时间成本,将基于通道注意力机制Inception V3迁移学习的鲜茶叶分类方法应用于鲜茶叶数据集进行分类,准确率可达98.5%。（3）将基于传统机器学习和深度学习的鲜茶叶分类方法进行对比,实验表明,在低性能硬件条件下传统机器学习分类模型训练时长仅需深度学习分类模型的1.88%,虽然前者相较于后者准确率略低,但受限于茶叶分选机硬件成本,若想在设备本地完成模型重新训练更新等功能,传统机器学习方法具有较大优势,同时鉴于深度学习方法的高精度分类效果,其在某些应用场景下同样具有不可替代的作用。