造纸业为人类文明成果起到传承与保存作用，是促进社会经济进步的支柱性产业。现代造纸工业正向高速方向发展，纸幅宽度可达12米，纸机速度高达30米/秒。由于各种因素的影响，在造纸过程中纸幅上不可避免会产生一些纸病，比如：脏斑、孔洞、褶皱和裂口等。传统人工检测纸病方法效率低、识别精度低且劳动强度大，已经无法满足企业的需求。针对上述问题，本文以实验环境下，假设纸幅采集时受到高斯噪声和椒盐噪声污染，来模拟造纸过程纸幅受到各种噪声干扰过程。通过对各种数字滤波器的滤波性能研究比较，提出一种基于邻域灰色关联特性的消噪方法，对消噪处理后的纸病采用BP神经网络对纸病进行在线检测和识别。本文主要研究内容和贡献总结如下3个方面：1）纸病图像的消噪处理。在对传统均值滤波、中值滤波优缺点分析基础上，引入一种改进滤波消噪方法。该方法针对纸病图像噪声源多、样本有限的问题，根据系统各因素间的内部联系和发展态势的相似程度来度量各因素之间的关联程度。然后进行滤波，从而解决纸病消噪问题。结果表明，改进型去噪算法在高斯噪声和椒盐噪声方面能有效地滤除噪声，同时还能较好的保护图像细节部分。在纸病检测测试中，可以解决纸病准确去噪问题，较好地恢复原始图像。2）纸病图像的辨识与识别。针对BP网络收敛速度慢、计算量大等缺点，采用学习样本产生总误差自适应调整权值，以提高BP算法速度。实践表明，较BP网络而言，改进型自适应调整输入样本顺序的BP网络检测效果较好，网络受到后面输入样本影响较小且在一定范围内提高了学习效率，具有比普通BP网络更快更好的收敛性。同时，识别率明显比普通BP网络准确率要高，可有效地保证生产纸张质量。3）实际效果验证。以陕西西微测控工程有限公司开发的纸病在线检测系统为实验平台，实现MATLAB和上位机系统对接，将上述2种理论应用到系统中进行验证，得到了良好的结果。这对我国造纸企业行业的效益、纸的品质及造纸生产设备自主研发都有着重要的意义。