我国是世界上最大的纺织品服装生产和出口国,纺织产业是我国重要经济支柱产业之一,2021年全年出口总额达3154.7亿美元,同比增长8.4%。长期以来在纤维检测行业中,基于显微镜的人工检测方法是当前主流的检测方式。人工检测方法要求检测人员长时间在显微镜下观察纤维的形态,这种方法非常依赖检测人员的主观经验。而且微观上相似结构的纤维使得在研究人员再识别上有一定的障碍,耗时耗力效率低。随着图像处理技术以及深度学习等计算机学科的发展,计算机视觉技术在图像识别与目标检测有了更广泛的应用,既大幅度提升了样本的识别速度,也提高了对纤维微观相似结构的识别和分类算法的研究效率。因此,本文提出了针对纺织品相似纤维的微观图像处理方法问题,通过构建基于Res Net50的改进神经网络模型,分析4种市场是最常用的并且相似度高的纤维结构特征,基于高速精密运动实验室显微光学检测平台进行检测。首先鉴于光学纤维平台采集到的纤维图像易受环境干扰,基于显微光学平台筛选纤维图像,通过图像处理技术滤除干扰部分,探究合适的预处理步骤提取纤维特征以便于处理成数据集。在本文中,我们根据采集到的纤维图像提出相应的处理技术,从而达到突出纤维图像特征的目的。其次我们应用深度卷积神经网络结构模型进行结构与传播算法改进。选取适宜识别的分类模型,设置输入数据为纤维图像,输出为纤维的种类,并根据纤维图像实际情况对选取的深度神经网络优化算法以及网络结构进行调整,选取常用的分类评估指标确定优化的参数值。最后,本文通过Python开发环境,建立深度神经网络模型,基于改进方式调整网络结构与性能优化,提升网络识别性能,识别相似结构纤维种类。最终将优化模型与经典纤维分类算法进行比较,探究深度学习在纤维识别网络中的应用。实验结果表明:本文模型对纤维识别效果超过99%,提高识别效率,降低了人工成本以及产品生产成本。实验结果证明,本文识别方法可有效区别相似纤维结构,识别效率达到了99.3%。其可避免在传统纤维识别方法中,因繁琐且复杂的人工操作流程过程带来的效率低,准确率低等问题,降低了生产成本。本文提出的一种基于卷积神经网络纤维图像识别系统,可有效鉴别出纤维种类。