饮茶文化在我国有着悠久的历史传统,按照加工方式以及发酵程度的不同,茶叶分为多种不同类别,而同一种茶叶又因品质的不同划分为高低不同的级别。传统的茶叶种类与级别的判别方法主要包括人工识别与化学分析。人工手段识别成本较高,费时费力,缺乏足够的客观性,难以将其推广应用。化学分析方法虽然准确率高,比较可靠,但是会对样本造成破坏,而且与人工手段识别相同,需要专业人员操作,普适性较差。随着机器视觉技术的不断进步,基于高光谱图像的检测技术成为了备受关注的一种无损检测技术,被广泛应用于农产品与食品的品质与安全检测中。因此,茶叶作为一种农产品,其基于高光谱图像技术的分类以及分级有着较好的应用前景。卷积神经网络因其独特的卷积操作以及可以自动提取特征等优点广泛应用于图像分类任务中,其中各权重参数均以点估计的形式来表示,在实际的应用中取得了不错的效果。但以概率学习的角度来看,传统卷积神经网络却存在着一些弊端,如其参数权重是点估计的形式,当数据集较少时易发生过拟合现象,并且对于训练集外的新种类数据,使用训练好的卷积神经网络对新数据直接分类,有时网络会错误的以较大概率判定其为训练集中的种类,究其原因是传统卷积神经网络中缺乏不确定性,在一定程度上致使其泛化能力较弱。针对传统卷积神经网络缺乏不确定性度量,本文将贝叶斯方法引入卷积神经网络之中,提出了一种基于贝叶斯方法的卷积神经网络对常见的几种茶叶高光谱图像进行分类与分级判别。在贝叶斯卷积神经网络中每个权重均以概率分布的形式代替了固定值的形式,将传统的对权重某个固定值学习方式改为对每个概率分布的参数,即均值和方差的学习。使用局部重参数化技巧从分布中抽取权重值,并通过变分推断方法来近似真实的后验分布,进而完成网络的训练过程,更新网络中各个权重的概率分布的参数。为降低网络的计算复杂度,本文提出了一种简化的贝叶斯卷积神经网络。贝叶斯卷积神经网络中每个权重参数均以概率分布的形式来表示。因此,最终得到的一个贝叶斯卷积神经网络相当于多个网络的平均,这为网络引入了不确定性,增强了网络的泛化能力和鲁棒性,有效的避免了过拟合现象的发生。同时,通过减少全连接层以及添加批标准化方法,简化贝叶斯卷积神经网络在保证分类精度的同时有效的降低了网络的计算复杂度。最后基于茶叶高光谱图像数据集进行了分类分级对比实验,验证了本文所提算法的有效性。