آلو یکی از میوه‌های مغذی و محبوب در کشور ایران محسوب می‌شود. بسته به کیفیت میوه تازه قبل از برداشت و چگونگی فرایند خشک شدن، درجات کیفی مختلفی از این میوه به‌صورت آلو خشک تولید می‌شود. در این پژوهش از یک سامانه بینایی رایانه‌ای و الگوریتم‌های یادگیری ماشین به‌منظور طبقه‌بندی آلو خشک به سه درجه کیفی مختلف استفاده شد. ویژگی‌های مختلف رنگی، شکلی و بافتی از تصاویر نمونه‌های آلو خشک استخراج شدند و به‌صورت مجزا و در ترکیب با همدیگر برای توسعه الگوریتم‌های طبقه‌بندی شبکه‌های عصبی پرسپترون چندلایه (MLP)، ماشین بردار پشتیبان (SVM)، آنالیز تشخیصی خطی (LDA)، و درخت تصمیم (DT) استفاده شدند. به‌منظور کاهش تعداد ویژگی‌ها و استخراج ویژگی‌های مهم‌تر از روش انتخاب ویژگی انتخاب ویژگی مبتنی بر همبستگی (CFS) استفاده شد. نتایج نشان داد که ترکیب ویژگی‌های مختلف استخراج شده از تصویر در مقایسه با ویژگی‌های رنگی، بافتی یا مورفولوژیکی به‌صورت مجزا، باعث افزایش دقت طبقه‌بندی می‌شود. در این راستا، مدل DT از نوع جنگل تصادفی (RF) با استفاده از ترکیب ویژگی‌های تصویر و الگوریتم انتخاب ویژگی CFS دارای بیشترین دقت طبقه‌بندی در مراحل آموزش و ارزیابی بود. مقادیر مجذور میانگین مربعات خطا (RMSE) و دقت مدل CFS-DT به ترتیب در مرحله آموزش برابر با 1958/0 و 75/93 درصد، و در مرحله ارزیابی برابر با 2110/0 و 67/91 درصد به دست آمدند. با توجه به این پارامترهای عملکردی و ماهیت سامانه‌های بینایی رایانه‌ای، می‌توان از نتایج حاصل از این پژوهش جهت توسعه یک سامانه دقیق، سریع و ارزان جهت درجه‌بندی کیفی آلو خشک استفاده کرد.