在纺纱过程中，传统的人工分拣棉花异质纤维方法难度大、成本高并且效率低，大大降低了棉纺企业的竞争力。虽然目前国内外采用机器视觉代替人工分拣的方法很多，但是普遍存在着定位精度差、成本高、通用性差、使用环境要求高和多领域应用难以实施等问题。随着数字图像处理技术的迅速发展、光电子技术的应用日益广泛和机器视觉的日趋成熟，实现异质纤维的精确识别和定位是完全可行的。本文采用数字图像处理技术，设计和实现了基于RBF的GMDH型神经网络的棉花异质纤维精确识别和定位系统。系统包括5个模块：采集模块、图像预处理模块、特征提取模块、识别模块和定位模块。本文主要的研究内容和创新点如下：（1）基于Otsu和局部阈值的改进阈值分割方法。本文在Otsu和局部阈值的基础上，通过将原图像每个像素点分别与其3×3邻域像素的简单平均（或高斯加权平均值）和Otsu获得的阈值进行比较，并通过反复实验，设置误差范围为5个像素，从而确定该像素点是背景还是杂质，实现了棉花杂质的有效分割。（2）基于窗口的定位方法。棉花杂质的形状是非规则的，目前尚没有可靠的方法来精确定位非规则物体。本文提出了基于窗口的定位方法。通过将整幅棉花图像划分成众多等大小的小窗口，将杂质所在的位置转化为其所在的一系列小窗口的二维坐标，从而实现了棉花杂质的精确定位。该方法简单，定位精度高，并且便于存储。（3）改进了灰度共生矩阵提取方法。灰度共生矩阵的提取与方向的选定有很强的关系。由于棉花杂质在图像中的位置是随机的，因此很难通过选定一个方向来提取灰度共生矩阵。本文通过取0°、90°、45°和135°四个方向上的灰度共生矩阵之和，然后对其归一化，作为图像的灰度共生矩阵，实现了棉花图像纹理特征的提取。（4）基于GMDH聚类的改进RBF神经网络。RBF神经网络具有结构简单、学习速度快、能够逼近任意非线性函数的优点，然而，目前尚没有可靠的理论确定RBF网络的基函数中心。GMDH聚类能够自动确定最优聚类个数。本文将GMDH聚类用于RBF神经网络，用以自动确定最佳隐节点数目，通过取各类样本的平均值确定相应基函数的中心，实现了棉花杂质快速、准确的识别。