本文以新疆干制骏枣为研究对象，研究了应用机器视觉技术对干枣的大小、形状、皱纹等特征进行快速无损检测与分级方法，该研究对干枣在市场竞争力和增值效益的提高具有重要应用价值与推广前景。主要研究内容如下:　　 1.设计了多波长LED光源图像采集系统。该系统由图像采集模块、多波长LED光源控制模块、多波长LED光源板调节机构等组成。通过多次试验确定了白色LED适用于干枣特征的检测;波长730nm单色光适用于绿色柑橘特征检测;波长单色光625nm适用于苹果特征检测。通过多次试验，寻找到摄像机、光源板、载物台三者之间的相对距离和角度，使采集到的图片足够清晰，这些参数为以后在生产线上安装光源板、摄像机时提供了依据。　　 2.改进了干枣目标区域确定的算法。该算法采用三线扫描方法，实现了在采集图片中出现多颗干枣时，能够准确获取第1颗干枣的大致区域，有效排除了枣叶、树枝等杂物的影响。　　 3.研究了大津法自适应阈值法在提取干枣有效图像信息的算法。利用该阈值对第1颗干枣的大致区域进行遍历扫描，若当前像素点的像素值大于阈值，则跳到该干枣区域的另一端进行扫描，此算法没有对干枣像素进行扫描，大大提高了图像处理的运算速度，达到了生产线6～7颗/s的处理要求，并且不存在干枣误分为背景的情况。　　 4.研究了干枣皱纹特征的提取算法。建立了sobel算子、4-邻接拉普拉斯算子和8-邻接拉普拉斯算子检测干枣皱纹的方法，在满足分级准确率的前提下，选择了处理速度较快的4-邻接拉普拉斯算子用于皱纹检测。试验证明，该算子平均处理1颗干枣仅需要23ms，误分级率仅为11.43％。　　 5.研究了干枣形状特征的提取算法。采用了4种不同检测方法，分析各自的优缺点，最终选择了干枣上下部分面积之比进行干枣形状检测方法。经过多次试验验证，该算法对于不同品种或大小相差较大的干枣检测具有通用性，误分级率为17％。