我国的苹果生产量位居世界第一,但出口量在世界范围内却不是最高的,并且出口价位低,在国外高端水果货架上很少能看到我国的苹果。究其根本原因在于水果质量不高,主要体现在外观品质不高以及商品化处理能力不够。因此加强我国水果商品化处理设备,提高水果处理效率是解决这一矛盾的有效手段。计算机视觉领域中的目标检测算法可用于苹果的自动缺陷检测,相比于传统的人工检测具有检测速度快,成本低,标准稳定等优点,相比于分类算法具有定位准确,可计算缺陷部位数量,便于分级等优点。调研苹果缺陷检测领域国内外的研究现状发现,前人的研究成果中单纯使用分类算法判定缺陷果和非缺陷果的居多,目标检测算法在该领域的应用还是空白,并且上述分类方法中准确率高的检测速度慢,无法达到实时检测的要求,检测速度快的准确率低,无法达到工业化生产对准确率的要求。本文提出了一种新的目标检测网络用于苹果缺陷的自动缺陷检测——M2Det-ME。该网络在M2Det的基础上改进了其特征提取网络——特征金字塔的部分,通过增加MLFPN模块的数量提高了在MS-COCO数据集上的检测准确率。另外改进了feature map上采样的方式,将双线性差值的方法改为反卷积的方法,进一步提高了检测准确率。本文详细的阐述了改进的过程,并分别进行实验验证了有效性。之后将M2Det-ME应用于采集的苹果数据集,经过数据集预处理、选择anchor尺寸、网络预训练、训练调整网络等步骤,得到了一个实时的苹果缺陷检测网络。该网络在苹果数据集上在Backbone取Res Net50,MLFPN的数量取2时达到最佳效果,m AP为95.3%,FPS为50.2。相比于前人的研究成果,M2Det-ME算法很好的平衡了检测准确率和检测速度。在保证检测速度的前提提升了检测准确率。