异性纤维在线检测系统在棉花生产线上自动检测原棉中混杂的异性纤维并将其剔除，在棉纺织领域具有广泛的应用前景。随着科学技术的发展，在棉花生产线上对异性纤维的自动检测和剔除已经成为一个国内外研究的重要课题。 本课题的主要目的是开发高效的异性纤维在线检测系统。文中重点探讨了利用神经网络识别异性纤维的方法。通过分析得出大量合格的棉花图像在RGB颜色空间下的特征分布为一个沿主轴对称的棒槌体，而含有有色异性纤维的棉花图像在RGB颜色空间中表现为不规则的棒槌体。可见棒槌体的轮廓就是区别棉花和异性纤维的阈值。然而，含有同色异性纤维的棉花图像在RGB颜色空间中依然表现为规则的棒槌体，这使得同色异性纤维识别困难。 根据BP神经网络模糊性、高速并行性以及非线性映射的特点，本文提出用BP算法作为异性纤维分类器的理论依据，创建异性纤维BP网络识别模型。该识别模型的识别原理是利用色差来识别异性纤维。异性纤维BP网络识别模型设计如下：(1)输入层设计为3个节点，分别为R、G、B各分量的统计值；(2)隐藏层设计为7个节点；(3)输出层设计为1个节点。输出层的值定义为0和1，分别代表纯棉花图像和含杂质的棉花图像。为了快速验证算法的可用性，我们选择MATLAB语言作为开发平台，开发了异性纤维BP网络识别模型实验软件。该软件包含平均值网络模型和方差网络模型。 通过实验分析，这两个网络模型的异性纤维识别率都能达到工业要求，其中方差网络模型利用图像的纹理特征作为网络输入值，识别效果较平均值网络模型效果好，尤其提高了同色异性纤维的识别率。 虽然异性纤维BP网络模型的识别率达到了工业要求，但是用软件实现的BP网络运行速度较慢，难以达到工业的实时性要求。随着EDA技术的进步和目前FPGA的大规模应用，神经网络硬件实现的各种条件都已经成熟。最后本文又提出了将异性纤维BP网络模型硬件化的构想。硬件化后的异性纤维BP网络模型将满足系统的精确性和实时性的要求，具有实际价值。 本文所述的数学模型、算法和异性纤维检测系统的研发经验亦可移植和应用到纺织领域其他类似的项目中。