随着机器视觉技术的不断发展，许多相关理论的不断成熟和完善，色选算法的研究也取得了进一步的发展，在颗粒物料检测领域中被广泛推广应用。本文主要利用数字图像处理技术实现大米颗粒快速、有效的识别，且检测方式自动化程度高，对大米外观无损害，提高了米粒检测的品质，同时本文所提出的算法也可应用于其他颗粒物料色选中。本文首先介绍了数学形态学结构元素的概念，分别阐述了膨胀与腐蚀、开与闭运算、top-hat变换的定义；然后，通过对小波基本理论的介绍，进一步引出了小波包理论，对其分解过程做了简单的推导。经过对形态学与小波理论的研究，对二者的特性有了详细全面的认识。为了获取理想的大米图像，设计了基于PC机进行图像处理的图像获取装置，选用面阵CCD传感器获得图像，使用LED灯管作为光源；对CCD传感器获得的大米图像分别进行了形态学边缘检测，小波包边缘检测，形态学与小波包相结合的边缘检测。通过所得到的结果可以看出：形态学边缘检测出现了部分失真，小波包边缘检测获得了更多细节，形态学与小波包相结合进行边缘检测的结果优势更明显。为实现对大米颗粒的有效识别，本文引入了支持向量机作为分类算法。首先简单介绍了支持向量机基本理论和LIBSVM软件包，然后将提取的大米外形的特征参数和大米的垩白度作为特征向量，将获得的特征向量转换为要求的数据格式，对数据进行训练，寻找SVM建模所需要的最优参数。根据最优参数的设置，训练数据建立模型，再用测试数据测试模型的性能。从分类结果可以看出，分类器分类精度达到97.2%。