Como una variedad común de vegetales, el espárrago es rico en vitaminas del grupo B, vitamina A y elementos traza como ácido fólico, selenio, hierro, manganeso y zinc. Con la creciente demanda del mercado, China se ha convertido en la mayor área cultivada del mundo para la producción y exportación de espárragos. Sin embargo, la clasificación tradicional de espárragos se basa principalmente en la evaluación visual manual y requiere una gran cantidad de mano de obra para llevar a cabo la operación de clasificación, lo que no puede satisfacer las necesidades de producción a gran escala. Para abordar el alto costo laboral y el proceso de producción intensivo en mano de obra resultante de la gran cantidad de mano de obra y la baja precisión de los dispositivos de clasificación de espárragos existentes, este estudio propuso un sistema de clasificación de espárragos mejorado y un método basado en la evaluación objetiva de TOPSIS (Técnica para la Preferencia de Orden por Similitud a una Solución Ideal) y la predicción de SVM (máquina de vectores de soporte). La estructura clave del dispositivo de clasificación fue analizada primero, los componentes clave fueron diseñados y los parámetros estructurales fueron determinados por cálculos teóricos. A través del análisis de los factores que afectan la calidad de los espárragos, se determinaron tres atributos clave: longitud, diámetro y magulladuras, que se utilizaron como atributos de referencia para llevar a cabo un análisis experimental. Luego, se establecieron grupos de control clasificados, combinando el principio de TOPSIS con ponderaciones, y se determinó una puntuación para cada muestra de espárragos. Estas puntuaciones se compararon con las de un grupo de control clasificado para derivar la clasificación de cada espárrago, y estos subconjuntos del conjunto de datos se utilizaron como conjunto de entrenamiento y conjunto de pruebas, excluyendo el error causado por la subjetividad del juicio manual. Basándose en una comparación de las precisiones de diferentes modelos de aprendizaje automático, se determinó que la máquina de vectores de soporte (SVM) era la más precisa, y se utilizaron cuatro métodos de SVM para evaluar el conjunto de pruebas: SVM lineal, SVM cuadrático, SVM cúbico y SVM gaussiano medio. Los resultados de las pruebas mostraron que el dispositivo de clasificación era factible para los espárragos. Las magulladuras tenían una gran influencia en la calidad de los espárragos. La precisión de entrenamiento del método SVM gaussiano medio fue alta (96%), mientras que su precisión de prueba fue baja (86,67%). Las precisiónes de entrenamiento y de prueba de los métodos SVM cuadrático y cúbico fueron del 93,34%. Se demostró que los SVM cuadrático y cúbico tenían una mejor capacidad de generalización que el método SVM gaussiano medio para predecir las calificaciones desconocidas de los espárragos y cumplir con los requisitos operativos de la clasificación de espárragos.