纤维成分自动识别是涉及图像处理、人工智能多个领域的研究课题。鉴于传统纤维检测方法存在诸多弊端以及计算机图像处理技术的不断发展,纤维自动识别的研究工作有了很大的进展。但计算机自动识别纤维依旧是一个比较复杂的问题。国内外将计算机图像技术应用于纤维识别的研究还比较少,很多问题尚待解决。本课题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。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、麻等天然纤维素纤维和各种异形纤维的显微图像的计算机自动识别。该课题已通过国家商检总局的项目鉴定。本文的研究重点是该课题中的异形纤维显微图像的计算机自动识别。由于纤维样本的制作工艺与拍摄条件的限制,纤维截面图像的质量较差,常规的识别方法往往无能为力。核函数学习算法是在上个世纪九十年代提出的,近些年得到了飞速发展,是当前国际国内的研究热点之一,是国际上非常热门的前沿研究领域,在科技界引起了广泛的关注和高度的重视。支持向量机、核主成分分析作为其代表性算法,在模式识别、序列分析、故障检测等领域取得了成功。但是其在纺织领域的应用几乎为空白,本文首次尝试引入核主成分析算法与支持向量机算法到纺织品的自动识别领域。论文提出了基于核主成分分析与支持向量机相结合的异形纤维识别算法,并成功应用到异形纤维显微图像自动识别中。论文提出的算法是以单个异形纤维截面的灰度图像作为算法的输入,核主成分分析作为图像特征提取算法,然后将提取得到的特征参数作为支持向量机的输入,最后由支持向量机输出分类结果。核主成分分析,直接从原始的灰度图像提取高阶统计信息,受图片质量的影响较小。支持向量机则提供了一种稳定、泛化能力强的分类器。论文讨论了系统的组成模块和功能。然后,以该系统为基础,对三种核函数进行了对比实验。实验表明了,多项式核函数优于径向基核函数与感知器核函数。同时,通过实验分析了,特征参数维数的选择对于系统识别性能的影响。论文首次将核主成分分析与支持向量机的研究引入到纺织品的自动识别领域。针对质量较差的异形纤维显微图像的识别取得了不错的效果。对异形纤维自动识别技术的后续研究提供了一种新的思路。