El proceso actual de clasificación de los dátiles de invierno depende en gran medida del trabajo manual, carece de estándares de clasificación uniformes y es ineficiente. Además, los dispositivos existentes tienen estructuras simples y solo pueden ser clasificados según el tamaño. Este documento presenta un método para detectar defectos en la superficie de los dátiles de invierno utilizando redes neuronales convolucionales (CNN). Según la situación actual en la industria del dátil de invierno en el Distrito de Zhanhua, Ciudad de Binzhou, Provincia de Shandong, China, recopilamos dátiles de invierno con diferentes calidades de superficie en el Distrito de Zhanhua; creamos un conjunto de datos de dátiles de invierno que contiene 2000 imágenes de dátiles de invierno; lo mejoramos basándonos en el modelo tradicional AlexNet; seleccionamos un total de cuatro redes neuronales convolucionales clásicas, AlexNet, VGG-16, Inception-V3 y ResNet-34, para realizar diferentes experimentos de entrenamiento de comparación de tasas de aprendizaje; y luego tomamos la tasa de precisión, el valor de pérdida y el puntaje F1 del conjunto de validación como índices de evaluación mientras analizamos y discutimos los resultados de entrenamiento de cada modelo. Los resultados experimentales muestran que el modelo mejorado de AlexNet tuvo la mayor precisión en el caso de clasificación binaria, con una precisión del 98% en el conjunto de validación; la precisión del modelo Inception V3 alcanzó el 97%. En el caso de clasificación detallada, la precisión del modelo Inception V3 fue del 95%. Los diferentes modelos tienen diferentes rendimientos y requisitos de hardware diferentes, y se pueden utilizar diferentes modelos para construir el sistema según las necesidades. Este estudio puede proporcionar una base teórica y una referencia técnica para investigar y desarrollar dispositivos de detección de dátiles de invierno.