农产品品质检测与分级，是农产品流通和加工过程中的重要环节之一。研究农产品品质检测技术，对于提高农产品质量和市场竞争力、降低劳动强度有着重要价值。论文选择农产品中重要的油料、饲料作物大豆为研究对象，结合相关标准，应用机器视觉检测手段首次对大豆籽粒外观品质检测系统进行研究，重点对大豆图像预处理中的背景分割、特征提取以及特征筛选、神经网络分类器设计三个环节进行了比较深入的探讨。 论文针对静态大豆籽粒图像特点，探讨了多种图像预处理算法，确定了适合大豆外观品质检测的低层信息处理算法，为下一步大豆特征提取打下良好基础。在背景分割时提出了利用彩色图像分割技术中的基于H分量阈值分割法来分割目标和背景，取得了良好的分割效果；在去除噪声处理中，提出采用数学形态学的方法对图像进行去噪处理，较好地去除图像处理过程中产生的各种噪声；最后在个体提取中，利用连通域标记方法，有效将大豆籽粒单个提取出来。 文中研究分析了传统特征提取的方法，针对大豆籽粒图像并结合有关标准，提出了用区域标记、轮廓跟踪方法结合图像矩提取大豆籽粒特征参数，共提取出了16个形态特征参数；提出了用颜色矩法提取了大豆籽粒的颜色特征参数，共提取出了20个颜色特征参数。然后对抽取出的36个特征参数进行了分析，分别给出这36个特征参数的xy分布图，最终筛选出能有效定量描述大豆籽粒的4个形态和颜色特征参数。 论文首次将粒子群优化算法引入到对大豆品质检测中，建立前馈三层神经网络作为大豆外观品质检测的分类器，采用粒子群优化算法对神经网络进行优化训练，用于对大豆外观品质进行判别。通过与基于标准BP算法训练以及改进L-M算法训练的同一神经网络进行比较。实验结果表明利用基于粒子群优化算法优化的神经网络对大豆外观品质进行检测，可以取得更快的收敛速度和更高的识别精度。 基于MATLAB7.1平台所开发的的大豆外观品质检测系统验证可知，论文提出的基于机器视觉的大豆外观品质检测技术能够实现大豆外观品质的自动检测。与人工检测结果相比，平均训练准确率为94.06％，平均测试准确率为92.61％。