棉纺织品广泛应用于人们的日常生活中，在国民经济中具有举足轻重的地位。但异纤杂质一直是困扰棉纺织企业的一大难题，严重影响着棉纺织品的质量，有时还会因产品质量问题造成退货赔偿事故给企业带来重大经济损失。随着机器视觉技术和图像处理技术的发展，基于图像处理的自动异纤剔除装置开始用于异纤清除，并取得了一定的效果。然而异纤在线剔除给系统算法时间提出了严格要求，算法复杂度与算法执行时间的矛盾成为当前异纤剔除设备急待解决的问题。论文提出采用GPU并行处理棉花异纤识别算法的方法，在不降低算法复杂度的前提下显著缩短算法执行时间，满足异纤在线实时检测的需求，达到较好的异纤识别效果。　　 论文在确定基于GPU并行处理的异纤识别系统总体设计方案基础上，优化选择棉花异纤检测管道、光源、线阵相机、镜头、电磁阀等重要部件;根据管道检测区长度、相机采样率、配置的图像帧大小、电磁阀启动时间等参数计算异纤识别算法时限;研究了棉花异纤识别算法，其中包括用中值滤波对棉流图像进行平滑去噪，用非线性灰度变换增强棉花与异纤对比度，用Otsu算法得到自适应阈值用于异纤分割，并将分割后的异纤二值图像进行形态学腐蚀和膨胀处理得到更好的异纤分割效果;根据算法复杂度采取GPU并行处理的加速措施，采用OpenCL语言编写异纤识别算法的GPU并行执行程序，分析使用编程优化方法（循环展开、局部内存、图像对象、页锁定主机内存等）对提升GPU并行运算性能的影响，改进了内核程序中数据从全局内存到局部内存的传输方式，通过计算异纤识别算法分别在CPU和GPU上执行所需要的总时间，得出GPU并行处理对异纤识别算法的加速效果。　　 实验结果表明，采用GPU并行实现整个异纤识别算法所花时间不到4ms，而使用CPU串行实现异纤识别算法所花时间则需要80ms以上，GPU并行运算的时间加速比达到25倍。最终得出采用GPU并行实现异纤识别算法满足系统在线实时检测的需求，提高异纤识别效果。