使用计算机视觉对农业领域的农产品进行的现有研究中,果蔬图像识别是农产品研究的重要组成部分,是实现果蔬农产品自动化分类的关键技术。果蔬图像识别面临的主要挑战在于果蔬种类众多,缺乏大量的有标签数据,难以通过监督学习方法来实现果蔬图像分类。针对上述问题,构建果蔬图像数据集,对果蔬图像进行分类,本文主要结论如下:1)多种采集方式下数据融合,可以打破不同识别系统之间的信息壁垒,建立新的识别模型,保障果蔬数据分类的全面性、互补性和准确性。本文通过融合kaggle高清Logitech网络摄像头建立的一个多视角的果蔬图像公开数据集Fruit Recognize,以及网络爬虫技术获取的果蔬图像,得到原始果蔬图像数据集。针对融合网络爬取数据和果蔬照片数据出现的数据不平衡问题,采用随机欠采样方法来实现样本均衡以及扩充数据集,去除边缘数据结合数据增强最终获得实验数据集F&V。2)针对传统机器学习方法特征提取困难问题,本文使用深度卷积神经网络将数字图像信息映射到标签输出,实现端到端的学习。运用全局池化技术替换全连接技术连接网络,减少全连接网络特征的数量,从而简化网络的规模和复杂度,提升了网络的训练效率和模型的估测效率。选择3种优化器(SGD、SGD-Momentum、Adam)让神经网络在学习过程中获得最优解以使得梯度减小最终完成训练。实验结果显示,Adam训练能通过自适应学习率迭代地更新网络权重达到最快收敛。3)提出了特定的迁移方式果蔬图像分类方法,建立了FVM1、FVM2、FVM2-1、FVM2-2、FVM2-3、FVM3果蔬识别模型,在F&V测数据集上对6个模型进行测试,选取正样本精度、正样本召回率、平均准确率、F1-Score和kappa系数对建立的果蔬识别模型进行评价。结果表明基于特定的方式相比于直接迁移方式能够取得更高的图像识别准确度,基于Inception V3的FVM2-2优化效果最佳,其平均准确率提升了7.33%,基于Res Net50的果蔬识别模型FVM3平均准确率提升了3.78%,说明特定的迁移方式训练网络有助于提升特征表达能力以及网络的泛化性能。