萎凋是红茶生产过程中的一个重要环节，萎凋叶的含水率是评价红茶萎凋完成的一个重要技术指标，对萎凋含水率预测的精度高低将直接影响到萎凋品质的好坏。　　对于目前含水率预测中存在的过程繁琐、效率低下及预测精度较低等问题，本文提出了一种非接触式无损化的茶叶萎凋叶含水率预测方法，以计算机视觉为基础，通过数字图像处理技术以及茶叶特征参数提取技术获取相关特征向量参数，建立并改进人工神经网络，对红茶萎凋叶的含水率进行预测，提高预测效率和准确率。主要研究内容和结论如下：　　（1）研究了数字图像处理方法在茶叶检测领域的应用，在对茶叶图像处理过程中，综合利用各种数字图像处理手段，去除了茶叶图像中的噪点及其他无关图像信息，将茶叶与背景图像进行有效区分，突出显示了茶叶的外观形态及轮廓特征。　　（2）改变了以往计算机视觉技术只侧重茶叶某一个特征形状的研究模式，综合研究了茶叶形态特征与色泽特征中的多个特征值，并利用常见的面积周长等茶叶特征参数复合出若干新的特征参数；通过参数相关性分析与检验，提取了13个特征参数作为含水率预测的输入向量。　　（3）对BP神经网络进行学习研究，设计构建了神经网络预测模型，利用提取的特征参数对模型进行训练，通过对模型参数的试凑调整，确定最佳参数并对茶叶含水率进行预测，预测准确度达到90％以上，实现了较好的预测效果。　　（4）针对BP神经网络在小样本数据量情况下存在的问题，通过对灰色理论的学习研究，设计构建了灰色神经网络，使之能适应数据量少、信息缺乏等不确定灰色问题情况下的茶叶含水率预测，提高预测准确率到94%以上。　　本文利用数字图像处理技术、特征值提取技术与神经网络技术，实现了茶叶含水率的非接触式无损预测，为茶叶含水率的自动化预测做出了研究贡献。