随着现代科技的发展,超市水果图像自动识别系统以及机器采摘水果和分级的技术正在悄然兴起,而图像的自动分类分级以及图像分割技术是实现超市自动识别和机器人视觉系统的重要组成部分,为了完成这项工作,本文的主要研究如下:首先对Fruit-360数据集进行数据增强,本文结合了传统数据增强中的平移、旋转、翻转的数据增强方法和生成对抗网络中的BEGAN数据增强方法来增加数据集,并通过对比在Lenet-5模型中不同数量数据集的识别结果,得到每个品种的最佳数据集在3200张左右,防止在以后的训练过程中过拟合现象的发生。对水果品种的识别方面,首先提取水果图像的HOG特征,让图像中有用的信息得到保留,并丢弃冗余的信息。随后输入相对应的支持向量机模型中用来进行训练,并分别对比HOG算子中的不同区域块尺寸大小以及不同核函数下的识别效果,实验结果表明,当采用线性SVM和16×16区域块尺寸时,其水果品种识别率最高,对8种不同水果品种的平均识别率为93.10%,是一种有效的识别算法。为了解决传统的图像识别算法人工提取特征的缺陷以及普通的卷积神经网络中只采用一个尺度的卷积核,导致品种识别率低的问题。首先设计了一种并联卷积神经网络,以实现对水果图像特征的多尺度提取,使用ELU激活函数,并建立于二次代价函数相结合的模型,利用最大类间距损失函数结合传统Softmax WithLoss损失函数来提高相似品种间的识别准确率,通过对数据集中的8个品种进行训练,实验结果表明,该模型对8个品种的平均识别准确率达到98.85%,具有良好的识别效果。在对西红柿进行等级识别中,先将西红柿图像由RGB颜色模型转换为HIS颜色模型。并根据国家标准（GB8852-88）定义西红柿成熟度的等级,定义H分量等于零为红色,通过判断西红柿红色区域的着色面积,将西红柿分为五个等级并分别标签,并将提取到的颜色、大小、形状特征放入CSV文件中,随后采用随机森林、线性支持向量机、Adaboost分类器以及深度学习中Resnet模型进行训练和识别,识别结果表明当采用随机森林分类器时,效果最好,准确率为98.24%,能够准确的对西红柿等级进行识别。为了在复杂的环境中提取出果实的中心位置,便于采摘机器人对其进行精确的定位。提出了一种新的基于显著性的区域检测和图像分割模型,首先设计了一种新的基于内外函数的自适应水平集进化协议,以消除初始化敏感性,从而使所提出的模型对轮廓初始化具有更好的鲁棒性。其次在水平集能量函数中,自适应权重函数可以根据内部和外部区域改变其内部和外部能量函数的强度和参数,以消除复杂环境中光照和叶片等其他干扰因素的影响。最后,通过对多种图像进行实验并与其他的模型进行比较得知,此模型相对于其他模型具有更好的分割效果。