降低烟草对人类健康的危害程度,提升香烟的质量和品质就需要处理好烟草生产中的关键环节——异物剔除这个问题。当前主流的烟草异物除杂系统使用的检测剔除系统主要是基于计算机视觉的烟草异物剔除系统,对收集、处理与烟叶颜色近似的异物的能力有限,还存在较大的提升空间。本文设计了一种气流式异物除杂系统,该系统采用计算机视觉方法来进行异物检测。首先研究了两种基于图像处理的异物检测方法,基于颜色特征和基于梯度能量特征的方法及其结合方法。在算法设计中考虑了现实中存在的图像光照不均、异物颜色偏暗等问题。实验结果表明,基于颜色特征的方法能够达到99%的异物除杂率,基于梯度能量的方法能够达到约85%的除杂率,将这两种方法结合抗各种干扰能力较强,理论上能达到100%的除杂率,能非常高效的将异物区域检测出来,但是当目标和环境发生变化时需要重新设计算法参数。进一步研究了一种基于级联Adaboost的机器学习方法,创新设计了窗口融合模块,并对比了HOG和LBP两种特征与级联Adaboost相结合的效果。实验结果表明,HOG特征更适合区分烟草异物和非烟草异物,该方法能达到99.3%的除杂率,与基于颜色和梯度能量的方法性能相当,但是当目标或环境发生变化时,该方法只需要额外增加训练样本更新模型即可,不需要人工调整算法参数,在产品线系统维护中也更为高效。