成熟度是衡量烟叶质量的首要指标。目前,烟叶成熟度主要由人工识别,存在效率低、主观性强等问题。因此,亟需一种高效准确的新方法来代替传统的人工识别方法。现如今,深度学习迅猛发展,Res Net因其在提高网络深度的同时,能够解决网络梯度消失问题的优势,在众多领域得到广泛地应用,因此将Res Net应用到烟叶成熟度判定方面具有重要意义。现有的烟叶成熟度判定的研究存在准确率不够理想、实验数据集单一等问题,无法有效地应用到实际场景中。本文研究了基于Res Net的烟叶成熟度判定模型,设计并实现了烟叶成熟度分析系统。首先,本文设计并实现了烟叶图像采集系统,用以获取实验所需的数据集,与现有的烟叶数据集相比,本文的数据集规模较大且品种部位丰富。在数据集预处理过程中,引入24色标准色卡进行图像颜色校正,使得数据集图像质量得到提升,具有良好的通用性。然后,基于Res Net18、Res Net34和Res Net50分别建立了烟叶成熟度判定模型,并分别在优化器SGDM、RMSProp和Adam下训练模型。通过与现有的最好方法VGG16Net进行对比,实验结果表明,本文提出的三种模型的准确率均比VGG16Net方法高,表明本文的方法能够有效地提高烟叶成熟度判定的准确率。最后,为了将本文方法应用到实际场景中,设计并实现了烟叶成熟度分析系统,该系统集成了烟叶图像的预处理算法和烟叶成熟度判定模型。经测试表明,系统能够实现对烟叶成熟度的实时分析,具有重要的实际意义。