在水果品质检测和分级中，形状是一个非常重要的指标，在国家标准中有严格的规定。本文在大量实验研究的基础上，通过对多种算法的对比分析，设计了具有统一架构的水果形状检测算法；从数学角度提出了形状的定义，并针对正常果形、轻度畸形、严重畸形三种类别研究了不同的形状描述方法；讨论了常用的分类器对形状分类结果的影响；最后针对基于形状描述的分类精度不是很高的情况，定义了新的测度并建立了基于配准技术的形状分类框架，达到了预期的研究目标。主要研究内容和研究结果如下：1．解决了如何从众多的去噪方法中选择适合水果形状检测的方法的难题。对于高斯噪声和随机噪声类型图像，在原始图像信噪比大于8时，选择全变差(Total Variation，TV)方法恢复可以达到最好效果；信噪比小于8时，选择维纳滤波才可以达到最好的恢复效果；而对于椒盐噪声类型图像，选用中值滤波时恢复效果最好。2．提出了运用矩阵广义逆和奇异值分解的方法恢复运动模糊图像，并用已知大小的标准球做实验，检测恢复后图像中球的大小，实验结果表明，提出的方法恢复后的图像质量要高于传统的盲去卷积等方法，速度要比差分递推法快6倍，比投影迭代方法快60倍。3．提出了多尺度水平集形状检测方法，解决了传统的方法无论是检测算子还是梯度向量流无法检测表面含有丰富颜色特征的水果形状的问题。实验结果表明该方法具有一系列的优点：无需任何形状预处理操作；具有一定的光照适应性；能够平滑地检测表面含有丰富颜色特征的水果，非常适合水果形状检测。4．提出了多尺度能量分布形状描述方法，将形状轮廓序列看作一周期信号，从多分辨率分析角度来说，代表形状全局信息的主要能量分布在粗尺度上，而表示形状局部信息的次要能量分布在细尺度上，该方法对严重畸形的水果分类比较有效，实验结果表明其分类精度可以达到81.20％。该方法中基于最大期望方法确定起始点的方法，可以唯一确定起始点，这对解决形状描述中旋转不变性问题非常有效。5．系统地分析和比较了目前常用形状描述方法，提出了将小波矩方法用于水果形状描述，得出结论：在水果形状分类中，用具有对称性的小波基(如Morlet小波)和最近邻法分类准则时，正常果形、轻度畸形及严重畸形的分类准确率可以达到69.42％、80.47％及72.62％。6．分析了分类器对水果形状分类结果的影响，集中研究了线性判别函数、聚类分析、BP神经网络和支持向量机等四种分类器分别对三种不同的输入特征模式(傅立叶描述子特征、Zernike矩特征和小波矩特征)时的分类性能。得出结论：无论用什么分类器，小波矩特征模式作为输入模式时，都能得到最好的分类结果；其次对小波矩特征模式而言，三个聚类中心的聚类分析方法和支持向量机作为分类器都能得到尚为满意的分类精度。采用三个聚类中心的聚类分析方法时，正常果形、轻度畸形及严重畸形的分类正确率为86.21％、65.78％和85.71％；而采用支持向量机作为分类器时，分类正确率分别为：70％、83.56％和75％。7．建立了基于配准技术的水果形状分类框架。定义了新的测度，该测度基于面积差水平集表示原理，将待分类的形状与已知类别的形状进行配准以使得它们的不重合面积最小。并从基于最小测度配准和运动估计配准两个方面进行实验，实验结果表明基于配准的方法能达到更高的分类精度和令人满意的结果，正常果形的分类正确率91.20％，轻度畸形的分类正确率为85.88％，严重畸形分类正确率为83.34％。