近几年市场大米种类繁多,消费者很难辨别其种类的真假,所以需要一种快速有效的大米分类方法来帮助消费者确定大米的种类。感官、化学检测作为传统的检测方法,检测方法复杂且缺乏时效性。而利用机器视觉技术对不同品质的大米图像进行分类,不仅速度快,可以处理的信息量大,而且比传统方法更稳定,准确率更高。本文对五类大米（糙米、工程北米、金芽米、精白米、留胚米）图像的颜色、纹理特征提取及分类算法展开了研究。五类大米因其加工方式不同导致大米样本表面纹理特征不同,本文基于LBP纹理特征对大米进行分类。然而传统的LBP算法提取的纹理特征具有维度大,数据冗余等缺点,所以本文提出了PCA优化降维LBP特征提取方法,在保留98%原始特征信息的前提下,将传统LBP算法提取的256维特征降至4维。通过与LBP的三种编码模式（原始LBP、等价LBP、旋转不变等价LBP）进行对比实验,验证了本文提出的方法在保证分类性能的同时,具有更低的计算复杂度。除了纹理特征,大米图像RGB颜色空间中的G、B通道均值也可作为大米的分类特征,对部分大米进行区分。因此本文提出了基于颜色特征和纹理特征的多特征融合算法,将PCA优化降维LBP特征提取方法提取的四维特征和G、B通道颜色均值特征进行融合,构成六维特征向量,并将该融合特征向量作为分类特征输入,实现大米分类。基于融合特征,本文采用支持向量机设计了大米分类器。通过线性核、多项式核以及高斯核的对比实验,选择分类准确率高的高斯核作为分类器的核函数。采用K折交叉验证对分类器的参数进行优化。经对比试验验证本文方法提取的融合多特征更适合五类大米的分类,在较低的计算复杂度情况下分类准确率达到了95.1%。