我国是水果生产大国,每年各种水果的产量数以千万吨,因此,果业已成为我国农业发展的重点之一。但目前,我国的水果产业,尤其是在水果的识别和分拣阶段,由于对水果的自动识别分类技术并不成熟,往往还是通过人工的方式来完成识别分拣工作,这种方式不仅增加人力成本而且工作效率也不高。但是通过计算机视觉中的卷积神经网络（CNN）这一技术在农业领域中的运用,为解决以上这些问题提供了可能。针对在水果识别分拣过程中存在的分拣效率低下等问题,本文提出了一种基于卷积神经网络的水果识别分类方法。该方法是基于经典的Le Net-5模型并做出部分改进,还结合了Census变换理论,以解决现有的卷积神经网络在识别分类方法中存在的图像局部区域信息丢失的问题。经实验表明,本文通过利用Census变换结合卷积神经网络得到的模型,能更加准确更加有效地对水果图片进行识别,提高了对水果识别的准确率,使得水果图像的识别方法得到了较大的改进,且更能体现出智能化的识别对现代农业产生的必要性和重要性。具体而言,本文主要内容如下:（1）采集了两类水果图像,共4200个样本数据,并把这些数据进行二进制转换,形成用以构成研究训练集、测试集的水果图像库。（2）本文使用QT软件设计了一条机械臂来模拟仿真自动识别分拣水果。具体来说,首先把训练好的CNN模型引入到机械臂中,让机械臂拥有能识别水果的能力,接着通过传送带传送水果图片,让每一张水果图片经过机械臂,机械臂会按照要求自动分类水果,以达到自动分拣的目的。经过测试,在深入研究深度学习理论的基础上,将CNN应用于水果识别和分类,可以显著提高水果识别和分拣的性能。（3）结合Census变换理论以及卷积神经网络相关理论,设计出建立在卷积神经网络算法上的水果识别模型,该算法在经过对数据集的大量训练后,各层级的特征表示能力会逐渐增强,可以更深层次的获得高层特征,具有更好的图像表示和泛化能力。