我国是世界苹果生产大国,栽培面积和总产量均居世界第一,但近十年苹果平均出口率不高于4%,这是由于目前我国苹果品质参差不齐,人工分拣分级水平不一,且效率低下、主观性强、劳动强度大,因此快速在线分拣缺陷苹果并对苹果进行分级,对扩大出口和增加农民收益有重要意义。光谱成像技术是农产品无损检测中的重要工具,尤其对于苹果隐性缺陷的检测有更强大的优势。随着大数据和深度学习的发展,目标检测技术作为计算机视觉中的重要任务,可以解决一些传统机器学习算法中难以解决的问题。针对机器学习算法检测苹果轻度瘀伤和短时间形成的瘀伤中存在的问题,以及光源系统造成的图像质量不佳对检测效果的影响,本文研究涉及高光谱成像、多光谱成像、机器学习和深度学习算法等技术,使用深度学习算法在线检测光谱图像下的苹果缺陷。本文的主要研究内容如下:（1）基于高光谱数据和YOLOv3算法的隐性缺陷识别。本文以山东“富士”苹果为研究对象,对于数据量庞大、维数多的高光谱图像,使用分段PCA的方法挑选特征波段,使用深度学习算法对特征波段图像下的苹果瘀伤进行检测。制作不同形成时间、程度和瘀伤数目的苹果样本,采集其长波近红外高光谱图像（935-2548 nm）并进行黑白校正;将瘀伤和正常组织作为其感兴趣区域,分析其光谱趋势,根据分析结果选取多个光谱区域以进行特征波段挑选,使用分段PCA最终选取1054nm、1260 nm、1442 nm作为特征波段。为和传统阈值分割的瘀伤检测算法进行比较,将特征波段的灰度图像（Dataset I）和特征波段的PC灰度图像（Dataset II）构成的数据集分别输入到YOLOv3算法中训练瘀伤检测模型。测试结果表明,基于Dataset I的测试集获得100%F1分数和68 fps,而基于Dataset II的YOLOv3模型和传统检测方法无法消除因光照不均匀引起的亮点干扰,且对于形成时间短、程度轻的瘀伤检测能力较弱。实验验证基于特征波长的YOLOv3模型在苹果瘀伤的在线检测中具有极大的潜力。（2）基于多光谱数据和改进Center Net算法的显/隐性缺陷检测。为同时在线检测外部缺陷和瘀伤,并减少果梗、花萼对检测效果的影响,本文基于在线检测生产线中获取的多光谱数据,开发一套对苹果外部缺陷、瘀伤、果梗、花萼四种目标同时进行检测的模型。搭建用于波段挑选的光箱系统,根据外部缺陷和瘀伤特征的表现明显程度,在六个波段下挑选出一个特征波段,将其用于在线生产线的开发;基于在线生产线获取多种样本的光谱数据并进行数据集划分;为满足在线检测实时性的要求,选用Center Net无锚盒目标检测算法作为检测模型,使用dla34作为基础特征提取网络,在其后的多个不同位置添加spp模块以判断不同位置Center Net-spp算法的检测效果。实验表明在基础特征提取网络之后和idaup上采样之前的位置添加spp模块可以最有效提高检测准确率,且改进模型对样本的整体检测m AP达到89.6%,相较于改进前提高2.4%,检测速度为340 fps。为进一步确定模型对缺陷苹果的分拣情况,本章设计了均衡样本下的测试实验,结果表明检测模型对缺陷苹果的分类F1-score达到96.6%,并且分类速度达到在线检测的目标,满足实时性要求。本文以“富士”苹果为实验材料,采用光谱成像技术和目标检测算法,结合实验室现有的在线检测生产分拣线,针对机器学习算法在线检测苹果隐性缺陷的问题进行研究,通过挑选出特征波段,基于特征波段下的光谱图像展开目标检测实验,对目标检测算法进行改进,提高苹果缺陷的检测精度和缺陷苹果的分类精度,为实际在线分拣缺陷苹果提供支持。