我国是棉花的消费大国,而新疆棉区作为国内最大的产棉区,其棉花的产量及质量对我国棉纺织业的加工生产和发展起着至关重要的作用。近年来,随着人工成本的不断增加,又大规模推广了棉花机械采收,使得包括地膜在内的大量杂质混入籽棉中。特别是地膜,其占杂质的比例高达90%,传统常规方法对于此类地膜无法实现有效检测,极大地影响了棉花的品质严重影响纺织品质量,给国内棉花种植业带来巨大损失。本论文为基于深度学习的籽棉异纤分拣识别算法研究,提出了一种基于可变加权卷积神经网络的籽棉地膜识别算法,并研究了基于目标检测的籽棉异纤识别算法。主要研究内容与成果如下:(1)设计了一套籽棉地膜流程化处理系统,包括籽棉开松装置与籽棉地膜识别剔除系统,其中识别剔除系统主要包括高光谱图像采集模块与深度学习算法识别模块。(2)针对籽棉中难以分拣的地膜,提出了一种基于可变加权卷积神经网络的籽棉地膜识别算法。对采集到的籽棉地膜高光谱图像,首先使用PCA算法提取特征波段,预处理后保留了200个波段,将每个像元的一维光谱向量输入可变加权卷积神经网络进行识别。文中提出的可变加权卷积神经网络包括一个名为重要因子块的模块,它来源于自动编码器,为像元向量的每个元素加入一个权重,使得较大权重的波长在后续网络中的影响更大,较小权重的波长在后续的网络中的影响减弱。实验结果表明,基于可变加权卷积神经网络的籽棉地膜算法的分类精度比传统算法更高,对两幅测试图像的分类总体精度与平均精度分别达到了98.41%和98.27%、98.93%和98.81%。(3)对于一般的籽棉异纤如彩线、头发、布条等,本文尝试了基于目标检测的籽棉异纤识别算法,包括Faster R-CNN与SSD。Faster R-CNN对于输入图像的处理包括两个部分,一个是利用区域建议网络RPN预测异纤位置并给出建议框,其中RPN为全卷积神经网络;一个是使用ZFNet提取建议框的图像特征并分类。RPN与ZFNet共享卷积层。SSD网络以前馈卷积神经网络为基础,可以指定边界框大小,通过非极大值抑制去除多余边框,得到分类结果。使用Faster R-CNN对测试图像进行测试,对所有异纤的检测正确率达到83.93%,使用SSD网络对测试图像进行测试,对所有异纤种类的检测正确率为73.21%。