果蔬图像的新鲜度识别不仅能帮助减少果蔬采摘、存储、运输和销售的浪费情况,更能有效减少生产成本和销售价格,提供品质更好、价格更实惠的果蔬产品。近年来,随着人工智能技术的发展,基于深度学习的相关算法已经成为研究热点。研究基于深度学习的果蔬新鲜度识别技术可以为食品领域提供一种减少人力成本和规范标准的实现途径。本文提出一种基于深度学习的果蔬新鲜度识别方法,该方法在实现果蔬图像新鲜度的准确识别的同时,也完成了知识蒸馏和模型量化技术的研究。主要研究内容为:（1）构建了不同样本量的果蔬新鲜度分类数据集。抽取10%和25%数据集分别得到FruitVeg-A和FruitVeg-B类数据集,对原始数据集进行PCA（Principal Component Analysis,主成分分析）颜色增强,获得了包含33类共180168张样本的FruitVeg-Aug数据集,完成了果蔬的整体颜色特征分析,为果蔬新鲜度识别模型优化和算法设计提供了数据基础。（2）基于小数量的FruitVeg-A（5977张）和FruitVeg-B（14989张）类数据集对果蔬新鲜度分类模型的参数进行优化。使用Mobile Vi TV1模型对调制因子和学习率两个参数进行网格调参,在FruitVeg-A2和FruitVeg-B1数据集上优化前得到了有效提升。（3）基于大数量的FruitVeg-Aug（180168张）数据集完成了Mobile Net,Shuffle Net和Efficient Net等22个轻量化模型以及VGG16、Res Net50和Dense Net121这3个常规模型的基准性能和耗时分析。其中轻量化模型中,模型Mobile Vi T-XS准确率最高,为96.71%;常规模型中,模型B-Dense Net121准确率最高,为98.22%。（4）通过对比模型参数量和准确率,选定了Efficient Net V1-B0、Mnas Net、Mobile Vi TV1-XS、Shuffle Net V1和ESPNet V2作为学生模型。通过对比模型准确率,选定了迁移学习后的B-Res Net50和B-Dense Net121作为教师模型。使用B-Dense Net121和Mnas Net进行参数寻优确定了最佳蒸馏温度,使用知识蒸馏对学生模型准确率得到了有效提升。经过转Onnx推理模型和Tensor RT量化模型,最终学生模型的推理耗时得到了有效的降低。（5）本文使用Cleanlab进行数据清洗,使用B-Res Net50和B-Dense Net121模型计算出了FruitVeg-Aug测试集健康度,并筛选出前42项最可能错误的标签样本,完成了易错样本的分析。本文还完成了训练过程Mobile Vi T模型的卷积层的迭代过程和教师模型提取FruitVeg-Aug中测试集的所有特征的t-SNE降维可视化。本文针对小数量和大数量数据集分别进行模型性能参数优化、知识蒸馏和量化操作。使用轻量化模型作为学生模型,常规模型迁移参数作为教师模型,稳定提高了模型的性能。并且,本文还考虑到小数量数据集参数量不均衡且存在难识别样本的特点,进行参数寻优和损失函数的优化。最终利用工程项目常用的推理模型优化和量化模型的技术,有效优化了模型在实际部署测试的耗时和内存占用问题,对大数量数据集的优化、训练、部署做了一个较完整的探索和总结。