小麦是人们生活当中的主食之一,小麦从开始育种优劣的选择,到成熟后的产量估算,再到后面的加工都离不开小麦外观的检测。随着科技的进步,图像处理技术也越来越多的应用到小麦的各种检测中,利用图像处理技术对小麦籽粒进行优劣分级具有无损、分级精度高等优点,可代替庞大的、重复性的人工劳动。但是目前在小麦优劣的等级判别方面还存在准确率低的问题,因此,为了提高小麦籽粒分级准确率,本研究以航麦8805、金禾727、河农861三个品种为检测对象,针对小麦粘连现象提出了分割方法,然后提取特征,建立小麦分级模型,最后又估算了小麦千粒重。论文的主要工作如下:（1）提出了脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）和形态学结合的小麦籽粒分割方法。为了减小人工摆放小麦籽粒对后期实验带来的主观影响,因此实验时小麦籽粒是随机散落在绒布上的,所以不可避免的会产生粘连的现象。PCNN具有脉冲同步发放特点,而且能够减小相似灰度值之间的差异,能将具有相似特性的区域进行划分,因此本文提出利用PCNN分割模型来对粘连小麦分割。分割后的小麦图像还有少许噪声,边缘不连续、孔洞等问题,形态学中的开闭运算正好可以弥补这些缺陷,因此,最终建立了 PCNN与形态学相结合的分割模型来对小麦去粘连分割。实验表明,航麦8805的分割准确率为99.22%,比分水岭分割算法准确率提高了 15.54%,比PCNN分割准确率提高了 6.46%。金禾727的准确率为99.07%,比分水岭分割算法的准确率提高了 15.54%,比PCNN分割算法的准确率提高了 6.26%。河农861的准确率为99.03%,比分水岭分割算法的准确率提高了 16.06%,比PCNN分割算法的准确率提高了 6.81%。（2）提出了灰狼算法（Grey Wolf Optimizer,GWO）优化支持向量机（Support Vector Machine,SVM）的小麦分级模型。首先对小麦籽粒共提取了 21个特征参数。利用这些特征建立SVM分级模型,但是分级准确率不高。针对这一问题,提出了基于GWO优化SVM的小麦分级模型。使用GWO算法对SVM中的参数（c,σ）进行寻优,根据灰狼捕食过程找到最优的参数,用找到的最优参数建立小麦分级模型,实验结果表明,GWO-SVM小麦分级模型对航麦8805分级准确率为95.08%,比SVM分级算法准确率高11.47%,比PSO-SVM分级算法准确率提高了 4.92%。金禾727小麦籽粒分级准确率为93.44%,比SVM分级算法准确率提高了 9.83%,比PSO-SVM分级算法准确率提高了 4.92%。河农861的分级准确率为93.44%,比SVM分级算法准确率提高了11.47%,比PSO-SVM分级算法准确率提高了 6.55%。（3）建立了小麦籽粒面积特征参数和小麦籽粒质量的线性回归模型。分别分析航麦8805,金禾727,河农861面积和质量之间的关系,建立了线性回归模型。实验结果显示,航麦8805的估算平均准确率为98.261%,金禾727小麦籽粒的千粒重估算平均准确率为98.232%,河农861小麦籽粒的千粒重估算平均准确率为98.134%。