基于目前我国茶叶在机器自动分拣中存在的茶叶茶梗分类效率低且错误率高等问题,本文利用图像处理和模式识别技术,首先建立茶叶茶梗图像库,然后定义和选择出有效的颜色形状特征,最后选择合适的分类器进行实验验证,取得了很好的识别结果。在图像库预处理方面,针对实际应用的RGB真彩色图像数据量大且不易处理的问题,本文用加权平均法将RGB图像转化为灰度图像,用背景差——阈值迭代法转化为二值图像。由于二值处理后的图像仍然存在椒盐噪声等问题,又采用开运算和闭运算等数学形态学处理,对二值图像进行膨胀和腐蚀,最终得到用于选择特征的二值图像库。在图像特征提取方面,本文提取了基于颜色和形状的特征：依据两类图像的具体形状的明显差异性,本文定义了一个新的特征——面积微分均值,实验证明该特征具有很好的可分性。在图像特征选择方面,本文经过了三次筛选。首先一些特征由于明显不具有可分性,直接被淘汰了,例如周长和面积等；其次,在所剩的九个特征中利用相关系数矩阵,又淘汰了其中的三个相关性较大的特征；最后利用K-W法挑选出最具可分性的最大内切圆半径、二阶不变矩和面积微分均值作为最终的特征。在分类器的选择方面,本文选择了支持向量机和最小风险贝叶斯分类器分别进行了实验。选择SVM是因为SVM在二类问题中识别率高、稳定等特点；选择最小风险贝叶斯分类器,是因为它可以根据实际的需要,设定风险系数,满足不同的筛选要求。通过实验结果分析以及与其它分类器的比较,两分类器都具有良好的分类效果。