我国人口数量位居世界第一且人均耕地面积相对较少，粮食的安全问题显得尤为最要，种子的质量直接影响粮食的产量和品质。种子质量包含表型缺陷和内在。品质两个方面，前者主要针对种子表面出现病斑、破损等缺陷的严重程度进行评估，而后者则针对种子的发芽率、活力及品种纯度等无法从表观上进行识别的品质参数进行检测。对于种子的表型缺陷，现阶段色选机等大型设备可以实现对种子表型的快速分拣，但是对于更精确的检测依然需要人工手段，自动化程度较低。对于种子的内在品质，纯度是一个重要指标，一般根据肉眼难以辨别，纯度的鉴定主要依靠专业人士使用理化检测的方法，不仅成本高而且检测周期长。机器视觉技术可以实现种子质量的快速、无损检测，本文提出了使用卷积神经网络(CNN)对种子表型进行检测，使用多光谱成像设备通过提取种子的理化数据对纯度进行检测，从而对种子质量检测的光谱图像方法进行了全面研究。
　　一方面，针对种子的表型缺陷研究，全球三分之一人口以玉米为口粮是最重要的粮食作物之一，所以本文选取玉米种子为试验材料。试验中首先使用了基于距离变换的分水岭算法对种子进行分割得到单粒种子图像，并结合了CNN和机器学习算法实现了玉米种子表型缺陷的检测。经过试验表明深度学习算法明显优于传统机器学习算法，准确率分别为95％(GoogLeNet)和79.2％(SURF+SVM)，同时利用包含3个分类器的GoogLeNet模型，证明了算法准确率随着网络的深度增加而增加。为了进一步探究CNN较之传统机器学习算法高准确率的深层次原因，使用了可视化技术获取了CNN中每层网络的特征图，并用热图表示了推理结果的概率分布。本研究表明，CNN作为一种端到端网络能够便捷地在种子生产中实现自动化。
　　另一方面，针对种子的纯度检测研究，本文采用茄子种子作为试验材料。茄子是世界上种植的重要蔬菜品种，茄种的纯度对于获得优质茄种和提高茄子产量至关重要。本试验中选取了15个品种的茄种作为试验数据集，提取了多光谱图像中的78个特征，并利用SVM和一维卷积神经网络(1D-CNN)对这些特征进行分类，准确率分别为91.82％和93.2％。利用二维卷积神经网络(2D-CNN)对种子的多光谱图像进行分类，准确率达到87.6％。这项研究表明，多光谱成像是一种快速，无损的检测技术，可以有效快捷区分种子的品种。同时研究结果发现由于遗传和环境因素的影响，亲本种子外壳的形状与母本并不完全相同。
　　本文基于机器学习算法，使用了可见光成像技术实现了玉米种子表型缺陷的检测，进一步使用了多光谱成像技术实现了茄种纯度的检测。为种子的缺陷检测、真假鉴别、品种优选提供了客观、无损、快速的解决方法，也为提高种子质量、规范种子市场管理、强化农产品质量提供了一套有效、系统的技术工具。