中国是世界上第一大水果生产国,但在国际水果市场,特别是高端水果市场中的份额一直处于较低的水平,其中最主要的原因就是水果品质分级标准不严格。通过计算机视觉和图像处理技术,研究提升水果品质分级准确率的方法,能够降低人工进行水果品质分级的主观性,具有重要的社会和经济意义。不同水果种类之间分级标准不一致、不同水果等级之间划分标准差异小、水果果梗区域与水果缺陷区域相似等原因造成水果品质等级难以区分。针对以上问题,本文主要研究基于缺陷多特征融合及卷积神经网络进行水果分级的方法,主要研究内容和贡献如下:（1）针对水果品质分级标准在不同种类水果上不一致的问题,提出了一种基于图像HSV空间颜色特征、PLBP纹理特征与HOG特征融合的水果种类识别方法。针对原始LBP特征只能反映图像整体纹理特征,不能细致描述图像局部纹理特征的缺点,本文借鉴图像金字塔思想改进了 LBP特征,进而从不同尺度反映水果图像的纹理特征;HOG特征用来描述局部目标形状,与颜色特征和纹理特征形成互补,但存在特征维度过高的缺点,本文采用PCA算法对HOG特征降维,提取HOG特征主要成分降低冗余。本文在Fruit-360测试集上进行了对比实验,验证了基于多特征融合水果种类识别方法的有效性。（2）针对水果果梗区域和水果缺陷区域难以区分而影响水果品质分级的问题,提出了一种基于决策层的缺陷融合方法。先利用阈值分割与K-means分割相融合的缺陷分割算法将疑似水果缺陷区域从水果图像中分割出来,再对疑似缺陷区域进行识别,并采用基于特征层的缺陷融合及基于决策层的缺陷特征融合两种方法来对水果品质进行分级。基于决策层的缺陷融合算法有效的减少了果梗区域对缺陷区域的影响,并通过实验验证了基于决策层的缺陷融合方法更加有效。（3）针对不同水果品质等级间差异小,手工设计特征分级效果差的问题,本文在研究AlexNet卷积神经网络的基础上,提出了一种基于改进AlexNet卷积神经网络的水果品质分级算法。该网络在保持AlexNet网络的卷积层数的同时优化了卷积核感受野的大小、增加了池化层、并改进了 AlexNet卷积网络优化器,在减少整个网络参数的同时,有效的提高了水果品质分级的识别准确率。