随着社会的进步与发展,人们对蔬菜、水果等生活必需品的质量越来越重视,需求量也逐渐增大,但由于种种诸如销售环节无标准化、从事蔬菜经营企业对蔬菜质量分级的意识较弱等原因,使蔬菜售卖时品质与价格不能对等,不能做到优质优价。当前,高原夏菜已成为甘肃省的支柱性特色产业,但其依旧采用的是传统的人力分拣或者普通机械分拣装置等方式,这些低效的方式不仅会消耗大量的人力、物力与成本,并且产出的蔬菜质量不能得到保证,从而造成消极影响。随着深度学习热度的不断上涨,研究基于深度学习的高原夏菜质量分级方法对甘肃省的高原夏菜销售也具有重要的意义和广泛的应用价值。因此,本文针对采用传统分级方法所出现的问题,提出了利用深度学习研究高原夏菜质量分级的方法,主要内容如下:（1）构建高原夏菜数据集。针对目前高原夏菜数据集缺少的问题,建立了一套高原夏菜图像采集装置,采集了结球甘蓝、娃娃菜、菜花、西兰花四种蔬菜作为原始数据集,共计2400张。（2）扩充原始数据集。为保证采集的高原夏菜数据集在模型训练时能有良好的分级效果,本文首先对图像进行粗分割,排除背景干扰;接着使用数据增强的方法对原始图像进行扩充,使其更有利于后续卷积神经网络模型的训练。（3）提出了针对高原夏菜质量分级的多尺度融合CA-Ghost-Efficient Net模型。首先构建出轻量化模型,将Efficient Net网络模型中的第一层卷积层替换为Ghost层,同时,在网络的最后一层前嵌入CBAM轻量化注意力模块,使网络模型训练速度加快的同时,也能让网络更加关注细微的特征,检测和定位局部有用的信息,使得相似物种的分析更加精确。接着将网络中MBConv结构中的注意力机制SE模块替换为CA模块,使网络能够同时保留特征的长期依赖关系与精准的位置信息。最后改进网络的优化算法,使用RAdam算法并结合多尺度融合算法,使网络能够保留数据集图像的更多特征,同时也避免了网络陷入局部最优的现象。本文通过将预处理之后的高原夏菜数据集,在改进的Efficient Net模型与经典神经模型上进行训练,并进行消融对比实验,实验结果表明,本文所提方法的准确率与模型参数量都明显优于其他网络与未改进网络,证明了改进网络模型的有效性与可行性。