棉花产业在我国的国民经济中占有重要地位,但因我国棉花异性纤维含量较多,导致棉花质量普遍不高。棉花异性纤维,虽然在棉花中的总量比例很少,但,如不清除,将严重影响棉纱及纺织品的质量。目前,棉花异性纤维检测、剔除系统主要以基于自动视觉技术为主,但其检测剔除率一般都在80%左右。针对棉花异性纤维在线检测存在的难题,本文以皮棉图像中的棉花异性纤维目标为研究对象,利用机器视觉技术、图像处理技术和模式识别技术,研究了基于自动视觉检测的棉花异性纤维目标特征处理方法。本文主要研究内容与创新如下：①基于构建棉花异性纤维组合特征向量的特征提取方法研究。图像特征的表示方法主要有基于颜色的,基于纹理的和基于形状的,结合棉花异性纤维种类多,不易分辨的特点,本文采用了将基于颜色、纹理及形状特征进行组合,以组合特征向量表示棉花异性纤维的方法。研究了基于颜色的特征提取方法,重点是RGB色彩空间与HSV色彩空间下表示颜色特征的各分量的不同阶矩,共提取了24个颜色特征；研究了基于纹理的特征提取方法,重点是灰度共生矩阵法、灰度-梯度共生矩阵法、灰度-平滑共生矩阵法、灰度差分统计法,提取了共43个纹理特征；研究了基于形状的特征特征提取方法,主要提取了最适合表示棉花异性纤维形状的8种特征。利用以上所提取的颜色特征、纹理及形状特征,组合而成75维的棉花异性纤维特征向量。②基于改进的蚁群算法的棉花异性纤维目标特征选择方法研究。针对棉花异性纤维目标的高维组合特征向量,并且每种特征具有不同分类性能问题及特征空间具有多质性问题,提出了一种基于改进蚁群算法的最优特征向量选择方法,通过初始概率预处理方案实现了去冗余特征的处理,加快了算法的运行速度；通过分段变异避免局部收敛,提高了搜索效率。该方法首先提取了异性纤维目标的24个颜色特征、8个形状特征和43个纹理特征,构成75维的组合特征向量；然后利用改进的蚁群算法从75维的组合特征向量中挑选出分类能力最强的特征组合。实验结果表明,改进的蚁群算法较之传统蚁群算法速度更快,选出的最优特征子集更小、分类能力更强。③基于图像处理技术的棉花异性纤维特征提取与选择系统的设计与实现。为了验证上述方法的有效性和正确性,设计实现了棉花异性纤维目标特征提取与选择系统。该软件系统的主要包括参数设置、图像处理、特征提取和特征选择4个模块,通过在该系统上的大量实验表明,该研究提出的基于自动视觉检测的棉花异性纤维目标特征提取与选择方法是正确有效的。