短纤纱的纤维尾端伸出于纱体的表面，形成毛羽，以端毛羽、圈毛羽及浮游毛羽的形态存在。毛羽对后道工序和织物性能的影响很大，已经成为评价纱线质量的重要指标之一。目前，毛羽仪的测试方法分为两种，投影计数法和光电法。投影计数法的代表是国内生产的YG172B型、YG173型等毛羽仪，输出的结果是某个毛羽长度的毛羽根数，结果常用于调节粗纱捻系数、细纱工艺参数、络筒速度及分析织机断经原因等。光电法的代表是UsterⅢ测试仪上的毛羽测试模块，输出的结果是乌斯特毛羽值（即1cm测试长度内所有伸出纱体的纤维总长度），利用该结果可以对照乌斯特统计公报中查出纱线的毛羽水平，广泛应用于国内外纺织品贸易。本课题研究的目的是建立毛羽根数与乌斯特毛羽值之间关系的模型，使投影计数法测得的毛羽根数指标与国际接轨。本课题从13个厂家收集了72种原料、线密度、捻度和纺纱方式各不同的纱线，用YG173型毛羽仪测试毛羽根数（毛羽长度依次为1mm、2mm、3mm、4mm、5mm、7mm、10mm、12mm），用UsterⅢ测试仪测试纱线的乌斯特毛羽值。根据实验数据得出：纱线毛羽长度分布与纺纱方式有关；当毛羽值相近时，环锭纱中长度＞1mm的毛羽根数比非环锭纱多很多，说明后者＜1mm的毛羽较多。鉴于此，本课题将所有纱线分为环锭纱和非环锭纱样本两类，分别建立模型。运用相关分析的方法分析各变量与乌斯特毛羽值间的相关性。环锭纱样本中，与乌斯特毛羽值相关性较高的变量依次为：捻度、1mm毛羽根数、各长度毛羽根数加权求和（即K值）和线密度。非环锭纱样本中，与乌斯特毛羽值相关性较高的变量依次为：1mm毛羽根数的平方值、1mm毛羽根数的立方值、1mm毛羽根数和K值。捻系数、断裂强度和断裂伸长率与乌斯特毛羽值的相关性都很低，所以在多元回归的自变量中不再考虑捻系数、断裂强度和断裂伸长率。运用回归预测中多元回归分析的方法，建立环锭纱样本的多元回归模型。经t检验和F检验，各自变量在置信水平α=0.05的情况下都显著，相关系数r=0.968，表达式为：乌斯特毛羽值=0.02×线密度－0.243×1mm毛羽根数+0.057×K值+1.414。非环锭纱样本的多元回归模型经t检验和F检验，各自变量在置信水平α=0.05的情况下都显著，相关系数r=0.963，表达式为：乌斯特毛羽值=0.036×线密度－0.006×捻度+0.0000171×1mm毛羽根数的平方值+0.037×3mm毛羽根数+3.162。经验证，可查乌斯特公报毛羽水平的34种纱线里，有6种纱线的预测毛羽水平与实测的不符。运用神经网络建立预测模型。环锭纱样本的BP神经网络模型是两层BP网络、传输函数分别是tansig和purelin、隐层节点数19和训练函数trainlm；非环锭纱样本的BP神经网络模型是两层BP网络、传输函数分别是tansig和purelin、隐层节点数16和训练函数trainlm。经验证，验证样本的预测毛羽值公报水平与实测相符。径向基网络模型的训练速度很快，但在验证时，对乌斯特毛羽值的预测精度很差。综合比较各预测模型，BP神经网络的预测效果最好，它可以用1mm毛羽根数有效地预测纱线的乌斯特毛羽值。且随着训练样本数量的增加，模型预测的精确度会更高。