小麦是我国三大主产粮之一,产量全球第一。小麦在储藏过程中,可能会有虫蚀、发芽、破损等问题,因此在流通环节检测小麦外观品质显得尤为重要。目前利用图像处理技术识别小麦外观品质还存在部分问题,比如粘连小麦的图像算法较复杂,小麦检测的速度慢。针对存在的这些问题,本文开展的研究工作与取得的主要结论如下:（1）基于机器视觉的小麦外观品质检测系统的构建。根据检测需求进行了工业相机、镜头、光源的选型,完成了小麦图像采集与传输系统的构建,实现小麦在传送带上的动态采集功能。设计了一个横向3段错位排列的单粒化导槽,依靠单粒化导槽与小麦的相对摩檫力可实现粘连小麦的动态分离,为本研究使用较简单的图像分割算法提供了硬件支持。（2）小麦图像的预处理与特征提取。本研究选用中值滤波对小麦图像进行滤波处理;将小麦图像转换到H通道后,使用基于阈值的分割方法提取出小麦区域;使用开运算和闭运算对小麦进行形态学处理。通过预处理完成后,提取小麦颜色特征、形状特征、纹理特征参数,并将提取后的22个特征参数进行主成分分析,结果表明前9个主成分的累计方差贡献率可达95%以上,并在数学建模中使用前9个主成分作输入层数据。（3）模式识别。构建BP神经网络模型和SVM模型对小麦外观品质进行分类,BP神经网络模型使用sigmoid函数作为激活函数,隐含层数为3,隐含层节点数设为38,小麦的识别准确率可达97%,SVM模型选用径向基核函数和“oneagainst-one”方法对小麦的识别准确率为91%。故本文使用BP神经网络模型。（4）小麦外观品质识别软件设计。使用Halcon联合C#编程,设计一款操作简单的小麦外观品质识别软件。在软件开发中使用相机SDK,并引入了队列和多线程的方式提高了软件运行速度。对软件的检测速度和识别正确率进行验证,检测速度为7粒/秒,正确率识别为92.28%。