本课题作为全国百篇优秀博士学位论文作者专项资金资助项目和教育部留学回国人员科研启动基金资助项目,在上海市出入境检验检疫局纺织品和纤维检验的实际需求下产生。研究重点是棉、麻等天然纤维素纤维和各种异形纤维的计算机显微图像识别。本纤维自动识别系统集图像采集、图像预处理、特征提取和模式识别为一体,以实现纤维的自动识别为目的。整个识别过程要求在无人干预的情况下自动进行。在各种复杂的环境下计算机能够实现自动识别。本文以纤维图像的纤维分离结果为研究对象,研究方向为纤维的特征提取和特征识别,研究重点为纤维特征参数提取算法的实现,构造纤维识别模型。文章首先分析总结纤维特征参数提取的研究现状,研究图像特征提取的相关理论及其经典算法,讨论其中的关键技术和难点并进行分析和比较,针对目前具体的纤维识别对象,指出目前纤维截面特征提取及纤维识别存在的缺陷和不足,确定出解决方案。特征提取是模式识别必要的前期准备,特征参数的有效性直接影响纤维的识别率。本文通过n链码对图形特征参数影响的研究,讨论了n链码对纤维轮廓的平滑作用以及不同的n取值对轮廓曲线的不同平滑效果。通过面积误差、周长误差以及轮廓相似度3个误差模型,分析了6种标准几何图形在不同的n值作用下轮廓的失真,讨论了n的计算方法。在此基础上,提出了一种适用于离散点集的局部极值的快速求解算法,设计了纤维角点、直线段以及轮廓扭曲等纤维特征的提取算法,并通过等级评价分析,对各参数进行优化选择,给出了基于n链码的纤维特征参数提取模型。支持向量机算法是一种专门研究有限样本预测的学习方法,能很好地解决有限数量样本的高维模型的构造问题。支持向量机基于结构风险最小化准则工作,能在训练误差和分类器容量之间达到一个较好的平衡。纤维识别系统要能自适应地从有限样本中学习并提炼出区分各种纤维种别的决策规则,因此本文创新性地将支持向量机算法应用于纤维识别,通过交叉验证法进行参数选择,开发了基于支持向量机的纤维识别模型,达到了满意的效果。文章最后对识别结果进行了分析,并对今后纤维自动识别的研究提出了几点建议。本项目已于二零零七年十二月二十六日通过国家商检总局的项目鉴定。