La calidad de apariencia de las frutas afecta el juicio de los consumidores sobre su valor, y clasificar la calidad de las frutas es un medio efectivo para mejorar su valor agregado. El propósito de este estudio es transformar la clasificación de la calidad de apariencia de las peras en la clasificación de las categorías bajo varios índices de calidad basados en estándares de la industria y diseñar características distintivas efectivas para entrenar al clasificador. La clasificación de la calidad de apariencia de las peras se transforma en la clasificación de formas de peras, colores de superficie y defectos. Se diseñaron características de simetría y características cuasi-rectangulares y se entrenó a la red neuronal de retropropagación (BP) para distinguir la forma estándar, forma apical y forma excéntrica. Las características de media y varianza de los canales R y G se utilizaron para entrenar la máquina de vectores de soporte (SVM) para distinguir el color estándar y el color desviado. El área de defecto de la superficie se utilizó para participar en la clasificación de la calidad de apariencia de las peras y se extrajeron características de la matriz de co-ocurrencia de niveles de gris (GLCM) del área de defecto para entrenar a la red neuronal BP para distinguir cuatro categorías comunes de defectos: defectos en forma de pestaña, defectos magullados, defectos abrasados y defectos oxidados. Las tasas de precisión de los tres clasificadores mencionados alcanzaron el 83.3%, 91.0% y 76.6% respectivamente, y la tasa de precisión de la clasificación de calidad de apariencia de peras basada en las reglas de clasificación fue del 80.5%. Además, se diseñó un prototipo de sistema de hardware con fines experimentales, lo que tiene cierta importancia de referencia para la posterior construcción del sistema de clasificación de calidad de apariencia de peras.