苹果是公认的营养程度最高的健康水果之一,且质脆味甘、风味极佳,是世界四大水果之一,也是中国第一大水果。苹果品质无损检测与分级技术是促进苹果产业发展、提高其产品附加值的有效手段。针对现阶段苹果品质检测指标单一等问题,本文以红将军苹果为研究对象,基于高光谱成像、深度学习与机器视觉技术,开展苹果内外部品质检测与分级研究,并开发品质检测分级装置。主要研究内容与结论如下:（1）基于高光谱成像的苹果可溶性固形物（SSC）与硬度无损检测。首先采集红将军苹果光谱数据与SSC、硬度值,采用蒙特卡罗偏最小二乘法剔除异常数据并用SPXY算法划分数据集,采用竞争性自适应权重取样法（CARS）和随机蛙跳算法（RF）选取特征波长,建立多元线性回归（MLR）模型。结果表明,CARS-MLR模型检测SSC效果最好,其主要预测参数~2=0.80,RMSEP=0.57,RPD=2.11>2;硬度预测模型中RF-MLR预测效果最好,其主要预测参数~2=0.80,RMSEP=0.83,RPD=2.29>2。依据最优模型生成SSC与硬度可视化分布图,可直观看出样本的SSC与硬度空间分布,为采后苹果品质无损检测奠定了数据基础。（2）基于高光谱成像的苹果早期隐性损伤检测。采用苹果损伤发生装置制造苹果损伤,观察发现损伤6h内的样本为隐性损伤状态。分别采集健康、损伤1h、损伤6h的样本光谱信息,通过PCA分析与波形相似度匹配可以观测到肉眼无法察觉的苹果早期隐性损伤。采用连续投影算法（SPA）进行特征波段选取,建立LIB-SVM隐性损伤检测模型,其总体预测准确率84.44%,为苹果分选分级装备研制提供了技术支持。（3）基于深度学习的苹果表面缺陷检测。首先采集健康、缺陷样本图像,采用YOLOv3算法构建深度学习模型,并用Dark Net53卷积神经网络作为特征提取网络。经迭代训练后对模型检测效果进行评估,结果表明,模型检测准确率为93%。（4）基于机器视觉的苹果着色度及果径无接触检测。利用彩色图像分割技术进行复杂背景样本分割,采用H分量阈值分割计算表面红色着色率,Canny边缘检测算法进行轮廓提取,最小外接矩形算法结合尺寸标定系数计算苹果的实际果径。果径测量结果与实际测量最大绝对误差为2.01mm,满足分级要求。（5）苹果品质检测及分选装置研发。基于内外部品质无损检测模型,开发品质检测及分级装置。装置具备触发式光谱与图像信息采集、原始三机位图像显示、处理过程图像显示、可溶性固形物与硬度无损检测、果径无接触测量、着色度检测、自动分级、可溯源二维码生成打印等功能,总体分级准确度达到90%。结果表明,设计开发的苹果品质检测及分选装置可以快速准确检测苹果综合品质,分级准确率高,对促进苹果产业发展有积极意义。