苹果的品质分级是水果产后处理和市场销售的一个重要环节，主要依据其形状、颜色、果梗、果径(大小)、各类缺陷等指标进行。我国的水果分级长期以来一直是手工进行，其缺点是客观性和稳定性差，效率低。 计算机图像处理和机器视觉技术的发展大大推动了水果自动分级研究的进展。使用视觉检测手段，作者主要进行了苹果的果梗的分割、形状特征提取和基于遗传算法和BP算法和神经网络分类器的设计和表面碰压伤的分割提取等工作，并使用Visual C++语言进行了编程。 水果分级的背景条件较为简单，在灰度拉伸变换的基础上，使用单一的全局阈值就可以进行较为理想的二值分割。果梗部分相比果实部分非常的小，因此，结合形态学开运算可以将果实形状部分分割出来，同时提取出果梗。 首次将图像分析理论中对形状的傅立叶描述方法引入到对苹果形状的特征提取中，果实边界是一条封闭曲线，用边界点到形心之间的距离长度r(l)作为空域中对二维曲线的表达函数，离散的函数值序列r(k)~l的离散傅立叶变换系数F(h)就是频域中得到的频谱值，可作为形状的特征参数。 通过傅立叶反变换重建函数波形r(k)~l。用幅长方法得到的频谱，其1，3，4，5次谐波就基本上能够包含苹果的形状信息。用前向三层神经网络作为苹果特征的分类器，结合试验结果，用试凑法确定了隐含层节点的个数。 BP算法基于梯度下降原理，是一种局部寻优算法。而遗传算法具有强大的全局寻优能力，作者将两种方法结合起来，将混合算法作为网络的学习算法。将三类等级的苹果样本共72个样本进行网络的训练，通过对42个检验样本的检验，结果表明分级正确率在73％以上。而且该方法用来描述果实形状具有平移、旋转、尺度不变性。 根据苹果在某个角度下的单幅成像来考察果实的形状具有非常大的片面性，所以，将苹果相对于摄像头旋转90度前后得到的两幅图像综合评判果实的形状。 表面碰压伤是苹果常见的一种缺陷，在HIS颜色空间的饱和度图像中，缺陷部分和正常部分表现出较大的灰度差异，可以用90作为阈值进行二值分割。