近年来，山羊绒因其独特的手感、光泽和优良的品质受到越来越多消费者的青睐。由于山羊绒资源稀缺，价位较高，市场上出现了很多羊绒羊毛混纺产品作为纯羊绒制品销售的情况。因此，如何准确、快速和经济的鉴别山羊绒纤维显得十分重要。　　 由于毛绒类纤维在结构、外观形态、理化性能上都与山羊绒较为接近，直到目前，山羊绒的鉴别一直没有科学的方法与完整的国际标准。本课题的最终目标是构建一个完整的、快速的、经济的绒毛识别系统，本文对其中的绒毛图像处理、分类识别算法和混纺比的计算进行了一些基础性的研究。　　 首先，本文在总结与分析国内外有关绒毛检测研究现状的基础上，针对传统研究方法分类的局限，提出了一种快捷的多标签分类法。　　 其次，在对绒毛纤维的数字图像进行处理时，针对传统Canny算子的局限性，本文提出了一种改进的Canny算子，通过采用自适应滤波器和自适应阈值判断来进行边缘检测，这种图像处理算子具有更强的推广能力。　　 第三，针对传统绒毛特征参数提取算法假设不合理的问题，本文从形态学理论的角度来获取纤维图像的中轴线，并以该中轴线为基础对纤维直径和鳞片高度等特征参数的提取方法进行了改进研究。　　 第四，本文将数据挖掘思想引入绒毛纤维的分类研究中，提出了采用单根纤维上的多元指标作为分类研究的特征属性，从新的视角对绒毛分类研究进行探索。　　 第五，本课题首次采用了数据挖掘中经典的决策树分类算法，对山羊绒和三类有代表性的羊毛纤维(普通羊毛，80支羊毛以及绵羊绒)之间进行了分类识别的研究，并完成了数学建模和评估。同时，本课题还采用了GA-SVM算法进行了绒毛的分类研究。结果表明，对于比较难区分的绵羊绒，GA-SVM算法显现出了算法上的优势。　　 最后，根据分类模型的分类结果，引入通信系统模型推导出更真实可靠的绒毛混纺比，这对于纤维检测的应用上有广泛的指导意义。