纸张抄造过程中出现的诸如脏点、孔洞、褶皱、划痕、尘埃以及裂缝等表面瑕疵统称为纸病。纸病的出现,会对纸张,尤其是对航天航空用纸、电解电容器纸以及壁纸原纸等附加值大的特种纸张的后续使用带来不良的影响,甚至是巨大的经济损失。因此,需要在纸张抄造的过程中及时发现这类纸张的表面瑕疵并进行标记处理,必要时甚至需要对纸病产生的原因进行溯源。纸病诊断技术是指通过工业相机在线采集纸张图像来判断纸张是否含有纸病,并对含有纸病的纸张图像进行纸病分类,对纸病大小、位置等信息进行在线识别。一般而言,纸病诊断过程可以分为纸张图像采集及预处理、纸病在线检测、纸病分类和识别三个主要阶段。随着纸机车速的提高和幅宽的加大,纸病出现的可能性也随之增大,同时采集到的纸张图像数据量会随之成倍增长,使得实时检测以及分类识别的难度也随之增大。而现有的纸病诊断系统存在纸病在线检测精度较低,可分类的纸病种类少,分类器可扩展性差等问题。为解决以上问题,本文对纸病诊断过程中的纸张图像预处理、纸病在线检测、纸病分类和识别三个阶段的关键算法开展基础理论及实验验证研究。论文的主要工作及贡献可总结为以下四个方面。（1）基于DCT同态滤波的纸张图像去噪算法。针对纸张图像采集过程中由于光源所产生的噪声无法通过常用的空间域以及频率域滤波器直接滤除的问题,结合纸病预处理过程对实时性的要求,提出基于分块DCT（Discrete Cosine Transform）的同态滤波算法。在保证滤波效果的前提下,使用分块DCT变换替代传统同态滤波的傅里叶变换,提高滤波速度以满足后续纸病检测实时性的需求。实验对比结果表明本文所提出的滤波算法可以有效地去除光照的干扰,增强纸病区域图像,并且时间复杂度远远低于传统的同态滤波算法。（2）基于二维阈值的纸病图像分割算法。纸病图像分割是纸病在线检测过程中的一个重要技术环节,它是依据纸张图像的灰度、纹理和边缘等特征,把含有疑似纸病的图像区域分离出来。针对当前纸病检测过程检测精度低,速度慢的问题,提出两种基于二维阈值的纸病图像分割方法。考虑到高速宽幅纸机,纸机速度快,幅宽较宽,在一帧纸张图像中可能会出现多个不同类型,不同灰度值的纸病的问题,提出基于快速二维阈值分割的多纸病检测算法。首先采用差影法解决多纸病问题;其次对二维Otsu算法进行改进,将二维阈值分割为两个一维阈值进行求解,同时根据差影后纸病图像灰度分布特点,缩小阈值搜索范围,进一步加快了最优阈值的选择。实验结果表明:本文方法在保证检测速度的前提下,分割精度较基于一维阈值分割的纸病检测算法有明显调高。对于某些对于纸张质量要求更高的特种纸生产线的纸病检测,提出一种基于改进人工蜂群（Artificial Bee Colony,ABC）优化的低对比度纸病检测。首先使用Gabor滤波滤除纸病纹理的干扰;然后对ABC算法进行改进,加快其优化速度;最后使用改进后的ABC优化算法求解二维分割阈值,来对纸病图像进行分割。实验证明此方法对低对比度纸病的检测正确率有了进一步的提高。（3）基于卷积神经网络的纸病分类算法。针对传统纸病分类首先需要进行特征提取,然后根据所提取的特征设计分类器,分类效果的好坏首先取决于特征的选取,并且可扩展性差的问题,将卷积神经网络（Convolutional Neural Networks,CNN）用于纸病图像分类过程中;针对纸病图像数据少所导致的在训练卷积神经网络分类器过程容易产生的过拟合问题,引入迁移学习的策略。首先使用公开的图像数据集ImageNet对VGG16卷积神经网络进行训练,固定其部分卷积层参数;然后使用自建的纸病图像数据集对其余卷积层参数进行微调;最后,为适合所需的纸病图像种类,改进VGG16全连接层完成纸病图像的分类。实验结果证明了此方法在训练过程中收敛速度快,无过拟合现象的出现,并且纸病分类的准确率较高。（4）基于可变形卷积神经网络的纸病识别算法。采用基于迁移的卷积神经网络纸病图像分类算法虽很好的解决了传统的纸病分类过程对图像特征提取的依赖以及分类器扩展性问题,但由于每种卷积神经网络对输入图像的大小是由严格要求的,故在实际进行分类时,首先需要对输入纸病图像进行相应处理,才能进行分类。同时分类器无法直接标识出纸病区域在采集到的纸张图像的位置。针对以上问题,提出一种基于可变形卷积的纸病识别算法,将两阶段图像检测算法Faster R-CNN引入纸病图像识别过程。针对纸病图像所占图像区域较小或形态不规则而导致的Faster R-CNN算法在纸病识别中定位不够精确,分类准确率低等问题,在传统卷积层之后加入两个可变形卷积;同时,使用可变形感兴趣区域（Region-of-Interest,RoI）池化替代普通的RoI池化,来更加精确的提取纸病区域特征。实验证明了该算法在分类正确率以及可扩展性方面较之前算法有了进一步的提高。综上所述,本文围绕纸病诊断过程的关键算法——纸张图像去噪算法、纸病图像分割算法、纸病分类及识别算法,开展理论研究及实验探究工作。同时,为了解决深度学习以及卷积神经网络在模型训练测试过程中所遇到的数据缺乏问题,采用实际采集与图像处理相结合的手段,建立了图像大小分别为224×224像素以及227×227像素的纸病图像数据集,供本文以及后续研究所使用。实验结果表明:本文所提算法可做到纸病检测过程速度快、精度高,纸病分类及识别过程准确率高,可扩展性好,能够有效解决纸病诊断过程遇到的关键问题。研究成果为开展造纸工业纸病诊断系统的自主研制、进一步提高纸张生产质量以及企业效益具有一定意义。