原棉在生产过程中会混入包括丙纶丝、绒线、地膜以及动物毛发在内的异于棉花纤维的异性纤维,若在棉纺生产过程中混入纱布成品中,会造成布面染色不均及瑕疵等产品降质现象,是影响生产质量的主要因素之一。异纤清除机能在线运行,通过机器学习算法挑出异于棉花的异物纤维,但是传统的该类机器并未实现对异纤种类的自动分拣工作,无法准确得知所检出物品的类别信息。传统的机器学习算法在人工提取特征上难以解决真伪异纤分类问题,而深度神经网络不需要进行人工特征提取而自动的学习图像的特征,能避免无法提取特征的问题,能更广泛的适应实际设备工作状态。研究深度学习对异纤进行分类,进而对棉花进行质量评估的工作具有重要意义。本文首先介绍了棉花图像分类的研究背景和发展现状,阐述了深度学习的理论基础以及深度神经网络的组成,并且介绍了卷积神经网络。其次,使用了基于深度神经网络的棉花图像分类方法。该方法利用传统的深度神经网络包括AlexNet,Vgg16和GoogleNet三种神经网络对棉花进行了分类研究。实验结果表明,深度神经网络可有效学习棉花的特征,达到具有较好的分类准确率。然后,提出一种基于丰富特征的卷积神经网络图像分类方法。该方法在传统的神经网络的基础上做出了改进,主要利用卷积核来增加浅层、中间层到深层的特征信息,并且采用点卷积结合特征,最终全连接层将所有的特征连接起来进行分类。通过本方法和传统的卷积神经网络进行对比实验,实验结果表明,该方法能够进一步提高深度神经网络对棉花图像的分类准确率。最后,对全文的研究进行总结,并展望继续研究方向。