细纱工序是整个纺纱过程中的重要环节之一。该工序产生的毛羽对纱线的质量、性能以及后续加工过程影响显著。毛羽H值作为毛羽评估指标之一,研究毛羽H值对探讨纱线毛羽和提高纱线质量有着重要意义。本文针对毛羽开展了以下研究工作:（1）为了从具有周期性的纱线毛羽H值数据中提取周期模式,提出基于动态时间规整（dynamic time warping,DTW）的毛羽H值周期模式识别方法,同时利用局部暴力搜索和剪枝算法进行性能优化。实验结果表明,棉纺试样的毛羽H值实际周期为9.24 m;不同品种纱线的理论周期和实际周期存在差异,且平均相差0.48m;可以利用同品种纱线在不同设备上的周期模式进行异常检测。相比其他识别方法,该方法更加简单有效。（2）为了提高毛羽H值等质量指标在线检测的准确性,本文结合毛羽的短期周期和长期趋势特性构建了LSTM2预测模型。首先分别使用两组LSTM来预测长期趋势和短期周期,然后用全连接层综合两个LSTM的结果,最后得到模型输出。通过实验和统计学模型及其他神经网络模型对比,LSTM2既具有连续预测的特点,又具有优越的预测性能。LSTM2的R~2分数为0.7551,高于实验其他所有模型。（3）为了实现毛羽等质量问题的成因数据追溯提出基于Elasticsearch的数据追溯方法。该方法针对纺纱全流程中落后的人工标识体系,通过将标识数字化并规范化存储提高数据可追溯性。同时,通过建立双向追溯方法并设计合理的追溯及融合路径提高数据追溯性能。对比实验结果表明,本方法具有更好的存储稳定性;在追溯速度上分别是My SQL和SQL Server实现方法的1.6倍和1.2倍;采用的数据格式更加灵活、具备可扩展性。本方法在改善毛羽及其他质量评估指标的质量溯源方面具有很高的应用价值。本文研究确定了纱线毛羽H值具有的周期模式,所提周期模式识别方法为毛羽数据特性的机理研究和异常检测做出了重要贡献。本文根据纱线毛羽特性建立的LSTM2模型是实际工业场景和数据特性的结合,同时对毛羽指标在线检测技术的发展进步做出了重要贡献。最后,本文对毛羽成因的数据追溯研究致力于定位毛羽不合格的问题因素,从前纺工艺和数据变动的角度去寻找可能的原因,将极大地提高纺纱厂修正效率。