水果是世界主要农产品之一,虽然我国拥有较大的水果种植面积和较高的水果产量,但是处于初级阶段的国内水果采摘后商品化处理水平和处理能力成为制约国内水果出口的主要因素。青梅作为一种具有多重保健功能的药食资源,深受广大群众的喜欢。人工分拣模式的性能易受到操作人员经验、责任心等主观因素的影响,因此,基于机器视觉的自动分拣成为水果分级的主要技术手段。然而,相似样本的大量存在以及样本标签的获取困难是机器分拣性能不佳的主要原因。因此,如何利用大量无标签样本,以及获取局部细微差异特征是区分相似样本的关键。针对监督学习机制和深层神经网络结构的固有缺陷,本文提出了一种具有不确定认知结果熵测度指标约束的深度半监督学习相似青梅品级智能认知方法。本文的主要工作如下:(1)针对有标签相似青梅图像样本难以获取的难题,基于图的半监督学习方法利用较少的有标签数据,对大量无标签数据进行标定,用于扩充训练青梅图像样本集,降低了人工劳动强度。(2)针对相似青梅图像间差异化特征表征不充分的难题,在极大信息熵性能指标约束下构建自适应架构深层神经网络,获取相似青梅图像由全局到局部的多层面充分差异化特征空间表征,并基于可分性度量测度指标和变精度粗糙集,在有限论域不确定条件下,从信息论角度建立认知智能决策信息系统模型,提取与相似青梅品级有明确品级映射关系的简约多层面充分差异化特征空间数据结构。(3)针对深层神经网络中softmax层泛化能力不足的缺陷,以及图半监督学习无法预测新加入样本的难题,本文采用集成RVFL分类器,构建相似青梅图像简约多层面充分差异化特征空间的分类认知准则,并基于前向传播和反向更新的交替优化策略,全局迭代更新深层神经网络和集成RVFL分类器的参数。(4)针对不确定认知结果后验统计评测以及固定特征空间适用度差的难题,基于广义误差和广义熵理论定义了一种相似青梅品级不确定认知结果误差熵测度指标,实时评测相似青梅品级不确定认知结果的可信度,自寻优交替调节认知精度、网络层级和中和因子,更新简约多层面充分差异化特征空间、分类认知准则和无标签样本标定的可信度,对可信度低的相似青梅图像样本通过调节参数进行品级再认知。为了验证本文算法的有效性,对3000幅相似青梅图像样本进行了仿真实验,平均认知正确率达到98.26%,为后续在线分拣系统设计提供了理论支持。