水果分类在水果产业和社会经济发展中具有重要意义。当前,水果分类方法主要有人工分类和机器分类等。人工分类不仅浪费大量人力物力而且效率低,而机器分类的性能有待提高。随着人工智能和机器视觉的迅速发展,研究基于深度学习的水果分类方法对于提高水果分类准确率和效率具有重要的意义和广泛的应用价值。针对以上问题,本文利用深度学习研究水果分类方法,主要内容如下:⑴基于卷积神经网络（Convolutional Neural Network,CNN）的脐橙品质分类。首先根据国家脐橙分级标准将脐橙图片分为特级果、一级果、二级果和等外果四类,构建了脐橙品质分类的数据集;然后以Le Net-5神经网络为基础,设计了一个包括2个卷积层、2个池化层和1个全连接层的改进CNN网络模型。实验结果表明,基于卷积神经网络的脐橙品质分类方法总体准确率达到94.8%,分类性能优于本章提到的传统水果分类方法,并验证了我们所提出的卷积神经网络方法具有更好的性能。⑵基于深度学习的水果分类和数据增强。由于传统的水果分类方法比较复杂且性能有待提高,我们选用卷积神经网络对水果进行分类。以ALex Net网络为基础,进一步优化,得到了一个包含17层的IANet网络,从而进一步提高水果分类的性能。我们选用公开的水果数据库Fruits-360作为网络训练数据集,进一步用图像翻转、图像旋转、对比度增强、亮度增强和添加高斯噪声等方法对数据集进行增强。将IANet与Alex Net、13-Layer Net和Horea CNN网络模型进行比较,实验结果显示IANet网络模型的总体准确率达到98.60%,性能优于本章提到的用于水果分类的卷积神经网络模型,与最好的Alex Net相比性能高出0.62%。⑶基于数据增强生成对抗网络的水果分类。为了进一步解决水果数据集样本不足的问题,提出基于生成对抗网络的水果图像增强的方法。与传统数据增强技术相比其过程更加复杂,生成的样本更加多样。进一步,为了更好的提高水果分类的准确率,本文提出基于迁移学习的改进型VGG16网络。将改进的VGG16网络模型与Alex Net、13-Layer Net、Horea CNN和IANet网络进行比较,实验结果显示改进的VGG16网络模型的总体准确率达到99.37%,优于本章提到的其它网络模型。