中国的苹果种植史可以追溯到两千多年以前,苹果的产量占世界总产量的40%以上。目前,苹果的分级主要是人工完成的,依赖于人的视觉来区分诸如颜色、形状、大小和缺陷等特征。这种人工分级的方法是主观的,不可重复且缓慢的。再加上其他人为因素,这种劳动密集型实践造成的身体疲劳,通常会使分级精度相当差。由此可见,自动化、高速、高效的苹果分级技术受到果农的青睐。显然,自动分拣技术可以克服传统的苹果人工分级的问题。苹果的自动分拣技术可保持连续性、可重复性、准确性和均匀性。鉴于自动分类技术的实用性,越来越多的实际工程项目致力于构建智能、可靠、快速、高效的苹果分级系统。本课题的硬件系统主要是基于STM32微处理器进行控制、CCD工业相机进行图像采集、气体压缩机、喷嘴、电磁阀组成苹果分级执行装置、以及用编码器检测传送带的速度。CCD工业相机采集苹果照片,将采集到的原始苹果图片进行裁剪、数据增强、归一化预处理等操作,得到苹果数据集。将预处理过后的数据集通过传统方法提取苹果特征,进行特征的分析。发现融合特征比单一特征具有更高的准确率,单一特征中,颜色特征对苹果分级的准确度影响较大。单一特征往往只反映了苹果其中一部分的特征信息,分类准确率不高。鉴于上述经验,接着对卷积神经网络（Convolutional Neural Network,CNN）和支持向量机（Support Vector Machine,SVM）算法原理进行介绍,提出用CNN提取苹果的特征,将该特征信息输送到分类器SVM进行分类。这种CNN+SVM（CNN＿SVM）的模型组合被用在本实验中。通过python语言编写程序,采用Keras深度学习库,搭建6层CNN特征提取层,包括卷积层、批归一化层、Max Pooling层、全连接层。最后将从全连接层提取的特征输入到SVM分类器中,以划分苹果等级。本文的苹果分级方法是一种在自动分拣装置的环境下,利用卷积神经网络提取苹果的颜色、纹理、形状、圆度等特征。在机器学习算法中,本文使用4种不同的方法:k近邻（k Nearest Neighbor,KNN）、SVM、CNN、CNN＿SVM对烟台苹果进行分级。当苹果分级时,使用CNN＿SVM分类器的融合模型比简单KNN,SVM和CNN模型要精确得多,模型的泛化能力得以提高。本文中开发了一种自动分级的机器学习模型CNN＿SVM,在传送带的环境下进行实验验证,结果表明用CNN＿SVM模型进行苹果分级快速、准确,降低了人工分级的人力成本,具有重要的商业前景。