利用机器视觉技术进行谷物外观品质检测研究，对提高我国粮食的市场竞争力具有重要意义，特别是在我国加入WTO后，研究工作显得更加重要。在这样的背景下，本文研究了静态和动态两种情况下的谷物外观品质检测技术，设计和开发了适合于我国谷物外观品质分析的检测装置。主要研究内容如下： 1．对图像基础处理算法进行了研究，分析了静态和动态两种情况下适用于谷物外观品质检测的图像处理算法。 2．针对直角坐标系下图像处理算法的局限性，研究了极坐标系下的图像处理算法，首次提出了三种基于极坐标系的区域处理算法：长短轴快速检测算法、图像非均匀采样算法和特定区域处理算法。这几种算法检测速度快，而且具有旋转不变性。 3．研究了静态情况下的稻米外观品质检测系统，实现了垩白度、垩白粒率、黄粒米、粒型和异型米参数的检测。该系统在采集图像时允许籽粒相连，降低了硬件加工成本，方便了用户的使用。 4．对于大量粘连谷物籽粒图像的分割问题，基于形态学的腐蚀、膨胀和流域变换，提出了改进的流域算法，分割效果较好，相对误差小于2％。 5．在稻米垩白的检测问题上，根据籽粒区域的灰度统计和分布信息，以及垩白区域在籽粒区域中的分布特征，提出了四种垩白米检测算法。其中，基于BP网络分类器的垩白米检测算法识别准确率最高，达到了99.4％。在该算法基础上，提出了垩白度和垩白粒率的检测算法，对垩白度的检测误差≤1％，对垩白粒率的检测误差≤2％。 6．在黄粒米的检测问题上，通过对色度直方图的分析，首次提出了两种检测算法：基于色度的检测算法和基于BP网络分类器的检测算法。其中，基于BP网络的检测算法识别准确率达到了96.3％，有效的解决了黄粒米的检测问题。 7．对于粒型的检测问题，首次提出了一种基于极坐标的检测算法。该算法检测速度快、精度高，而且具有旋转不变性，有效的解决了基于直角坐标的检测算法的不足。与人工检测方法相比，最大绝对误差为0.10，最大相对误差为5.4％。在粒型检测算法的基础上，提出了一种异型米检测算法，以粳米和糯米作为研究对象，识别准确率分别达到了100％和96％。 8．首次研究了动态下的谷物外观品质检测系统，实现了自动进样、动态谷物图像采集与分析、自动回收样品的功能。 9．针对动态下的稻米、小麦和玉米的分类问题，提出了基于BP网络分类器的检测算法，达到了较好的分类效果。对于稻米，选用面积、粒型和垩白大小作为特征参数，以标准米、垩白米、破损米和异型米作为研究对象，识别准确率分别达到了94％、92％、96％和96％。对于小麦，选用面积和色度参数作为特征参数，以标准麦、破损麦和异种粮作为研究对象，识别准确率分别达到了98％、96％和100％。对于玉米，选用面积、复杂度和色度参数作为特征参数，以标准玉米、破损玉米和异种玉米作为研究对象，识别准确率分别达到了94％、92％和96％。