纸浆纤维和纸张缺陷检测是保证成品纸质量的重要手段,传统的检测方法主要依靠人工对成品纸进行评判,效率低下、误检率高。近年来,利用计算机视觉检测技术进行纸浆纤维和纸张缺陷检测的方法已受到各国研究者的重视。本文在前人研究成果的基础上,研究了纸浆纤维和纸张缺陷检测涉及的图像去噪、增强、边缘检测、分割及分类方法,主要工作如下:首先,提出了一种基于预分类非局部均值(Non-local Means,NLM)的纸浆纤维、纸张缺陷混合噪声去除方法。在预分类的基础上,借鉴中值滤波去噪思想对非局部均值进行改进,得到一个新的非局部均值混合噪声滤波器。大量实验结果表明:与滤除高斯噪声、椒盐噪声及高斯椒盐混合噪声等3类噪声的方法分别进行了比较,该方法具有更好的主观视觉效果,客观定量评价指标有较大的提高,在滤除高斯噪声、椒盐噪声、二者的混合噪声方面均有明显优势。然后,研究了一种基于非下采样Contourlet变换(Non-subsampled Contourlet Transform,NSCT)和Retinex的纸浆纤维、纸张缺陷图像增强方法。利用非下采样Contourlet变换将纸浆纤维、纸张缺陷图像分解成低频和高频分量;再利用多尺度Retinex算法(Multi Scale Retinex,MSR)调整低频系数,对边缘细节较多的高频系数采用增益函数进行增强;通过非下采样Contourlet反变换,实现纸浆纤维、纸张缺陷图像的增强。大量实验结果表明:与双向直方图法、小波增强法、Contourlet模糊增强法、NSCT增强法相比,所提增强方法能够提升对比度,突出纸浆纤维、纸张缺陷图像的细节。随后,提出了一种基于非下采样Contourlet变换和核模糊C-均值聚类(Kernel Fuzzy C-means,KFCM)的边缘检测方法。利用非下采样Contourlet变换将图像分解成低频和高频分量;对含噪较少的低频分量提取边缘信息,采用核模糊C-均值算法进行聚类得到低频边缘图像,而对边缘细节信息较多的高频分量依据模极大值检测边缘;融合上述两部分,从而获得完整的边缘。实验结果表明:与近年来提出的4种方法相比,所提出的方法有明显优势,具有更好的边缘检测效果,边缘定位准确、完整连续、细节丰富。接着,实现了一种基于蜂群优化或分解的二维Arimoto灰度熵的纸浆纤维、纸张缺陷图像阈值分割方法。给出了Arimoto灰度熵的定义,导出了二维Arimoto灰度熵阈值分割法,并给出中间变量的快速递推公式;然后利用一种改进的人工蜂群优化算法(Modified Artificial Bee Colony,MABC)搜索二维Arimoto灰度熵的最佳阈值,大大减少了运算量;最后将求解二维最佳阈值的过程分解到一维来进行,进一步降低运算复杂度。大量实验结果表明,与近年来提出的3种方法相比,所提出方法的分割性能更优,且拥有良好的抗噪性能。最后,提出了一种基于Krawtchouk矩不变量和小波支持向量机的纸张缺陷识别方法。先计算纸张缺陷图像的Krawtchouk矩及Krawtchouk矩不变量,以此构造纸张缺陷图像的特征向量;然后根据训练样本的特征向量构造支持向量机,对纸张缺陷图像进行缺陷分类,并采用混沌小生境粒子群算法优化支持向量机中的核函数参数与惩罚因子,使其识别性能最优。大量实验结果表明:与基于Hu矩和支持向量机的方法、基于Zernike矩和支持向量机的方法相比,采用Krawtchouk矩不变量作为特征能更好地对纸张缺陷进行分类,识别率得到较大提高。