猪胴体作为猪肉生产加工企业将猪肉交付给经销商的最主要形式,其品质直接关系着广大民众的饮食质量。传统的猪胴体分级方法普遍存在不够准确或硬件价格过高的问题。近年来,随着深度学习理论的日趋成熟以及设备计算能力的极大发展,使深度学习在许多不同领域大放异彩。卷积神经网络作为深度学习在图像视觉领域最有效的手段之一,在图像分类问题中有着非常广泛的应用。本文构建了针对卷积神经网络的猪胴体图像数据集,通过研究设计实现了通过猪胴体图片基于深度学习理论中的卷积神经网络原理对猪胴体进行自动分级的系统。针对现有数据集在猪胴体图像方面的空白。根据铁岭九星集团的生猪加工生产线的实际情况,采集了在生产线环境下的猪胴体图片,通过数据增广、SMOTE算法和针对CNN网络特点的数据预处理,构建了二进制格式的猪胴体图像数据集。设计了基于Alex Net的卷积神经网络模型,将其应用于猪胴体图像的训练与识别实验中,通过对实验中分类结果的分析对网络模型进行不断优化,得出采用较小的卷积核尺寸和更多的卷积核数量、增加卷积层的数量以及缩小池化范围能够提升分类效果的结论。最终形成了猪胴体图像分级的模型CNN-P。基于模型CNN-P,利用构建的猪胴体图像数据集进行训练和测试,并将识别结果与其他基于计算机视觉方法的猪胴体分级方法进行比较。研究结果表明,通过调整卷积核尺寸及数量以及调整网络卷积层数等方法,实现应用卷积神经网络模型对猪胴体图像进行分级。目前其对猪胴体图像等级的识别效果可以达到92.7%,作为国内外将卷积神经网络应用于猪胴体无损分级中的第一次尝试,系统在解决了传统分级技术繁复的预处理步骤且较低的泛化能力等问题的同时,极大地降低了自动化猪胴体分级设备的价格,具有一定的研究意义和实用价值。