Con el objetivo de abordar el bajo efecto de reconocimiento de las imágenes de manzanas capturadas en un escenario natural, y el problema de que el algoritmo OTSU tiene un umbral único, carece de adaptabilidad, es fácilmente interferido por ruido y tiende a la sobre-segmentación, se propone en este documento un método de reconocimiento de imágenes de manzanas basado en un algoritmo de búsqueda de armonía adaptativa con simulación y creación. El nuevo algoritmo de búsqueda de armonía adaptativa con simulación y creación expande el espacio de búsqueda para mantener la diversidad de la solución y acelera la convergencia del algoritmo. En el proceso de búsqueda, se utiliza el operador de simulación de tono de armonía para hacer que cada tono de armonía evolucione hacia la dirección del individuo de armonía óptimo, asegurando así la capacidad de búsqueda global del algoritmo. A pesar de no haber mejora en la evolución, se utiliza el operador de creación de tono de armonía para hacer que cada tono de armonía se aleje del individuo de armonía óptimo actual, con el fin de extender el espacio de búsqueda y mantener la diversidad de soluciones. El factor adaptativo del tono de armonía se utilizó para restringir la búsqueda aleatoria de los dos operadores y acelerar la capacidad de convergencia del algoritmo. El método de reconocimiento de optimización multiobjetivo transforma el problema de reconocimiento de imágenes de manzanas recopiladas en el escenario natural en un problema de optimización multiobjetivo, y utiliza el nuevo algoritmo de búsqueda de armonía adaptativa con simulación y creación como estrategia de búsqueda de umbrales de imagen. La máxima varianza de clase y la máxima entropía se eligen como las funciones objetivo del problema de optimización multiobjetivo. En comparación con los algoritmos HS, HIS, GHS y SGHS, los resultados experimentales mostraron que el algoritmo mejorado tiene una mayor velocidad de convergencia y precisión, y mantiene un rendimiento óptimo en memoria de armonía de alta dimensión y gran escala. El método de reconocimiento de optimización multiobjetivo propuesto obtiene un conjunto de conjuntos de soluciones de umbral no dominadas, que es más flexible que el algoritmo OTSU en la selección de umbrales. El umbral seleccionado tiene mejores características adaptativas y produce buenos resultados de segmentación de imágenes.