我国是世界上重要的水果生产大国,无论在水果批发市场、水果售卖超市等智慧经济方面,还是在智慧农业、智慧医疗领域,实现水果的自动识别以替代传统的人工判断识别,都有着广阔的应用前景。传统的机器学习方法通常需要复杂的特征工程来实现自动识别,对于存在大量相似特征的水果图像并不适用,另一方面深度学习技术只需要将水果图像数据直接传递到网络,通常就可以实现良好的性能。本文的研究内容旨在充分发挥深度学习技术的优势,构建出合适的神经网络模型,实现高性能的水果图像识别算法。本文的主要研究内容及工作如下:（1）研究了传统卷积神经网络和残差网络的结构特点。本文首先对传统的卷积神经网络进行各个结构的分析,根据已有学者对传统卷积神经网络的研究,传统卷积神经网络在深度达到一定程度后容易出现网络性能下降的现象,这使得深层神经网络难以成功训练。而为了构建出具有一定深度的神经网络,本文重点研究了能够与成功训练更深层次网络结构的残差网络。而为了使网络能够接收到原始图像的更多特征表达,从而拥有对水果图像更高的识别率,需要基于残差网络进行进一步的网络构建,以此来实现性能更高的水果图像识别算法。（2）构建了用于模型训练和测试的水果图像数据集。本文通过对水果图像的大量采集,并通过对原始图像进行剪切、空间几何变化、添加噪声的扩增操作,构建了具有一定规模的水果图像数据集。（3）构建了基于多尺度池化的残差网络,以此提出了基于多尺度池化的残差网络水果图像识别算法。本文从池化层的角度考虑,采用多尺度池化采样的方式,使用三种不同尺度的采样窗口对特征图谱进行下采样,由此构成的多尺度池化层替换最后的普通池化层。在研究的过程中发现,由于全连接层要求输入的维度固定,在使用普通池化层的前提下,网络无法处理任意尺寸的输入图像。而多尺度池化层使得不同尺寸的输入都能得到一致维度的输出,这为网络处理任意尺寸的图像提供了一个解决方案。更重要的是,基于多尺度池化的思想,本文根据残差网络的结构特点,将残差网络的多个层次进行多尺度池化,再与全连接层相连,全连接层也就获得了多层特征表达,由此构成了基于多尺度池化的残差网络模型。并通过实验此网络结构拥有着相比于普通残差网络更好的水果图像识别性能。这正是由于全连接层接收到了多个层次的特征表达,使得网络融合了多个层次的特征,从而获得了水果图像更多的特征表达,使水果图像识别的准确率大幅提升。（4）构建了基于多卷积核的残差网络,以此提出了基于多卷积核的残差网络水果图像识别算法。本文从卷积层的角度考虑,通过对残差网络中的每个残差单元进行改进,使用三种不同大小的卷积核替换了原始残差单元中的单一尺度卷积核,并用自适应池化层替换了普通池化层,由此构建了基于多卷积核的残差网络。此网络模型增加了网络的宽度,这使得网络接收到了原始水果图像不同形式的特征表达,从而获取到的水果图像特征信息更加多元化。在通过实验确定了最佳的网络参数之后,又验证了与普通的残差网络相比,基于多卷积核的残差网络对水果图像有着更高的识别准确率。由此证明在水果图像识别方面,此网络模型也是符合预期的神经网络模型。