اخیراً تجاری کردن هندوانه وابسته به تضمین آن از نظر کیفیت است. برخی از عواملی که در درجه-بندی هندوانه تأثیر دارند رسیدگی، عدم رسیدگی، بیش رسیدگی، پوکی در گوشت هندوانه و بیمار یا سالم بودن هندوانه می باشند. تشخیص این عوامل از روی پارامترهای ظاهری کار دشواری است. در این تحقیق سیستمی هوشمند جهت جداسازی هندوانه رقم کریمسون سوئیت با روش غیرمخرب مبتنی بر صوت و شبکه عصبی مصنوعی، به گروه های مختلف بر اساس کیفیت داخلی هندوانه طراحی و پیاده سازی شد. اجزای این سیستم شامل جعبه صدا، ضربه زن، میکروفن و نرم افزار پردازش سیگنال دیجیتال می باشند. صفات هندوانه ها، اندازه گیری و از طریق کارت صدا به کامپیوتر جهت ذخیره و پردازش بعدی منتقل می-گردد. خصوصیات گروه ها از تجزیه و تحلیل سیگنال ذخیره شده در حوزه زمان و فرکانس و کاربرد روش آماری تجزیه به مولفه های اصلی (pca) استخراج شد. چندین مدل مختلف ann هرکدام با تعداد نرون-های مختلف در لایه پنهان برای تعیین بهترین ساختار آموزش داده شدند. مدل ann بهینه دارای ساختار 5-45-20 می باشد. دقت سیستم جداسازی برای هندوانه های نارسیده، تا حدودی رسیده، رسیده و بیش رسیده وپوک و بیمار به ترتیب برابر 54/91 و 46/98 و 38/85 و 31/82و61/84 درصد، mse به ترتیب 029/0 و 018/0 و 047/0 و 045/0 و039/0 و ضریب رگرسیون (r) به ترتیب 91/0 و 95/0 و84/0 و 85/0 و 87/0 حاصل شد. میانگین وزنی دقت کلی مدل، برای پنج گروه برابر 56/88 درصد حاصل شد.