新疆地处西北,地广人稀,高纬度强光照,降雨少温差大,“瓜果之乡”久负盛名。红枣因其营养价值、经济价值以及防风固沙的生态价值成为新疆地区较大规模种植的作物。近年来红枣产业发展较快,产量不断创新高,但是红枣市场分级方法不一,混等混级严重,不仅对消费者自主选择产生了误导,还影响了商品流通进程。目前分级常用人工方法和机械方法,但存在劳动强度大、生产成本高、分级标准不稳定、容易造成果品二次损伤、缺陷检测不到位等问题。近年来,计算机视觉技术快速发展,深度学习应用领域也不断拓展,这就为红枣分级提供了一种新的思路和方法。本文在前人研究基础上,以阿拉尔灰枣为研究对象,对基于机器视觉的红枣分级方法进一步探索,提出视觉显著性融合方法进行缺陷枣果检测,并结合枣果褶皱、大小、颜色等特征对无缺陷红枣实现综合分级。本文所作的研究主要体现在以下几个方面:（1）明确分级标准并建立红枣数据集。查阅红枣分级国家和行业标准,对灰枣这一类别分级标准进一步明确,选取了红枣纹理、颜色、大小、形状等图像分析要素作为红枣分级标准。搭建红枣图像采集装置,并采用数据增强方式扩充了样本数量,采用Otsu分割法去除图像背景,采用归一化操作将图像像素值转化为[0,1],使用labelme工具做好数据的人工标注,建立试验用数据集。（2）提出显著性融合的红枣缺陷检测方法。为了更准确判断缺陷种类,提出了基于卷积神经网络的显著性融合检测方法,该检测方法由全局检测网络和局部检测网络两个分支构成,这两个分支均基于大数据预训练好的卷积神经网络迁移学习,采用加入空洞卷积的Res Net50网络进行全局显著性提取,加入Dropout层的Vgg19网络来进行局部特征提取,然后采用最小二乘法进行局部显著性和全局显著性融合,得到缺陷红枣的最终显著图,最后进行缺陷枣果分类。（3）提出多重注意混合的红枣分级方法。在卷积注意力机制下,提出多重注意混合模块。以Dense Net121为基础,将多重注意混合模块引入其中构建3个分支网络,分别生成空间注意图、通道注意图、通道-空间注意图,三个分支网络的注意图相加求取平均值输出最终注意图,进行红枣分级。通过混淆矩阵分析,并结合网络训练损失函数、分级准确率曲线得出该方法的分级准确率为95.68%。