目前国标中棉花异性纤维含量等级以称重的方式进行划分,由于不同种类的异性纤维对纺纱织布过程造成的危害相差较大,只采取所有异性纤维的重量不能准确评定异性纤维含量的等级。本文提出基于改进的深度学习的异性纤维分类模型,提高异性纤维识别的准确率,明确棉花中所含异性纤维种类。最后根据各类异性纤维的相应图像特征和密度,建立对应的重量计算模型,再通过对异性纤维的分类和特征提取将特征带入,计算出各类异性纤维的含量。通过分析异性纤维特性和分类特征,以塑料薄膜、化学纤维、丙纶丝和羽毛作为研究对象。采用双边滤波和二维OSTU算法对异性纤维图像进行降噪和分割,提取了人工设计的颜色、形状、纹理、直观几何形状和Hog特征,通过支持向量机进行分类,分析了异性纤维的分类效果。针对基于SVM分类方法准确率低的问题,提出采用深度学习目标检测模型,通过Faster R-CNN,YOLO V3和SSD模型对异性纤维进行分类,验证了采用深度学习方法对异性纤维分类准确率更高,且Faster R-CNN分类效果最准确。分析Faster R-CNN异性纤维识别模型的缺陷,所使用的VGG16特征提取网络在特征提取的丰富性上还有待提高,候选框生成尺寸和正负样本划分方法不能满足异性纤维数据集的要求,导致小尺寸和近棉色异性纤维的分类效果较差。提出了Faster R-CNN_IR2_K++_Io U异性纤维分类模型,采用结合残差网络和Inception网络的Inception-Res Net-V2作为特征提取网络。通过K-means++方法改进了原始候选框的尺寸和比例;同时调整了正负样本判别依据和划分比例,改进后的模型分类准确率更高。为验证Faster R-CNN_IR2_K++_Io U异性纤维分类模型的准确性,通过分析每类异性纤维图像特征、密度与其重量之间的联系,选取了面积特征并基于最小二乘法建立了其与重量间的线性回归方程,实现了基于图像特征的棉花中各类异性纤维含量的检测,验证了改进的分类模型的准确性。通过实验验证,本文提出的异性纤维分类方法准确率较高,提高了基于图像特征进行含量检测的准确性,验证了分类方法的可靠性。对其他行业中的图像分类具有一定的参考价值和实践价值。