随着异形纤维的出现，纤维混纺织物在国际市场中越来越受到青睐，而混纺织物中各种纤维成分的含量对织物的风格、性能以及价格都影响很大，因此检测纤维成分变得非常重要。传统的人工或者半人工纤维成分识别方法存在诸多缺点。随着计算机图像处理技术的不断发展，使得纤维自动识别中应用计算机技术成为一种可能和趋势。但是完全使用计算机技术对纤维成分进行自动识别是一个比较复杂的问题，国内外在该领域中的研究还比较少，很多问题尚待解决，需要更深入的研究。本课题是国家教育部全国百篇优秀博士学位论文作者专项资金资助项目和留学回国人员科研启动基金资助项目，且结合了上海市出入境检验检疫局的纺织品和纤维检验的实际需求。课题研究的重点是棉、麻等天然纤维和各种异形纤维的显微图像的计算机识别。本文研究的是异形纤维成分的自动识别检测，为该课题的子课题，重点是异形纤维特征提取方法和分类识别参数的选择。　　 由于异形纤维图像经过显微放大，存在扭曲、变形等现象，常用的基于数学形态学的纤维识别方法不能达到稳定的、较高的识别率。又因为异形纤维骨架结构简单且不同纤维骨架具有相似性，常用的基于骨架的单一特征识别方法也不能达到准确的识别效果。因此本文提出一种基于骨架的多层次多特征的识别方法。该方法对异形纤维图像进行分层次，且每一层次提取不同特征的识别，首先利用骨架在目标表示方面的优点，解决了异形纤维图像的扭曲、变形等对识别检测的稳定性和高识别率的影响;其次还提取骨架形状和纤维轮廓的几何特征，解决了异形纤维骨架的简单性和相似性对识别检测准确性的影响。　　 骨架作为一种完整、准确的形状描述符，具有与原图形相同的拓扑结构，可以保留原图形的形状信息，具有良好的平移、旋转和尺度变化不变性。因此本文首先对异形纤维图像提取纤维骨架，并对骨架进行适当的修正，其次把纤维骨架转变成骨架树，并构造骨架特征矩阵，然后计算矩阵特征值，最后通过对矩阵特征值的比较，把异形纤维图像划分为几个大类。　　 鉴于异形纤维骨架结构比较简单，而且具有相似性，因此仅仅依靠异形纤维骨架的矩阵特征值只能对异形纤维进行初分类识别，而不能达到精确识别的目的。因此本文对经过初分类划分的异形纤维图像继续进行精确识别，针对已经划分过的异形纤维图像，根据每一大类的图像特点，提取不同的特征，分别为骨架周长统计特征和纤维轮廓凹点特征，并通过上述两种特征的统计分布范围值达到对异形纤维精确识别的目的。实验证明该方法对异形纤维图像具有良好的识别效果。