明虾是一种容易变质的水产品,新鲜度的下降会对其营养价值及感官评价带来极大的影响。科学家已经开发出许多测量明虾新鲜度的方法,然而现有的绝大部分检测方法都具有破坏性、检测成本高、需要复杂仪器设备或是专业人员。本文设计了一套快速、无损且低成本的明虾新鲜度识别系统,将训练完成的人工智能识别模型部署在手机应用中,可使用智能手机快速完成明虾新鲜度的识别。主要的研究内容及结果如下:（1）构建了不同用途的明虾图像数据集,收集了明虾图像共计28341张。包括了:使用三款不同类型智能手机拍摄的明虾图像数据集,用于训练明虾新鲜度识别模型,为了防止过拟合现象将数据集划分为训练集、验证集、测试集、独立验证集和独立测试集5个部分;进一步收集在不同光照及不同背景下的明虾图像数据集,包含了2种不同的光照条件及4种不同的拍摄背景,用于验证识别模型的普适性;为了深入探究模型是否能有效捕捉到明虾新鲜度的连续变化,收集了连续变化监测的数据集用于模型的验证。（2）构建了基于卷积神经网络用于明虾新鲜度识别的深度学习模型,通过迁移学习方法,对预训练模型（VGG16）结构进行增加归一化层、使用全局平均池化代替全连层及增加dropout层等调整,构建了几种明虾品质识别模型。最终的模型包括了:判别明虾是否新鲜的深度学习模型,其受试者工作特征曲线下面积（AUROC）达到了0.98,模型能够有效判别明虾是否处于新鲜状态;判别处于临界变质前期明虾的深度学习模型,其受试者工作特征曲线下面积达到了0.94,减小了模型将变质明虾判别为新鲜明虾的误判。预测明虾具体挥发性盐基氮指标的模型,其预测新鲜明虾挥发性盐基氮的均方根误差可以达到3.34 mg/100g。同样构建了相应的几种传统机器学习模型,逻辑回归（Logistics Regression）、随机森林（Random Forest）、线性回归（Linear Regression）,将这几种机器学习模型与深度学习模型进行比较,结果表明深度学习模型能够更好地完成识别任务。（3）为了进一步拓展使用环境,构建了明虾图像分割数据集,并搭建了明虾图像分割模型,模型预测准确率高于98%,可以有效将明虾从复杂背景中分割出来。为了进一步优化模型使用条件,将识别模型进行量化处理,并将模型移植到安卓手机APP中,可以直接使用安卓智能手机进行离线实时检测。