中国作为羽毛球生产大国,每年生产的羽毛球占全世界总量的90%。到目前为止,羽毛球生产过程中某些重要的羽毛片分拣工序仍然需要人工操作,不仅速度慢、准确率低,对工人的视力、体力等方面损耗也是非常严重的。羽毛片的自动分拣系统应运而生,高效的分拣系统将会带来巨大的工业效益。但在实际应用中,由于分类标准的复杂性、羽毛自然纹理的特殊性和生产环境的干扰,羽毛图像的自动分割和毛叶质量检测仍然是羽毛自动分拣问题中亟待解决的问题。本文提出了基于超像素的羽毛分割和缺陷检测方法,用超像素划分的方法替代常见的网格划分和滑动窗口,避免了光照不均匀对分割效果的影响,并且利用毛杆和毛叶区域的局部灰度值差异和纹理信息,准确地定位毛杆区域。在此基础上,我们提出了一种改进的Otsu算法在局部超像素范围内分割毛杆和毛叶,得到了比原始Otsu更准确的分割结果。在羽毛分割的基础上,我们结合Gabor滤波和不同的统计纹理特征对毛叶缺陷进行识别,根据单独使用各种特征的缺陷识别率,最终对基于具有旋转不变性的一致LBP特征和HOG特征的分类器进行融合,得到比单特征更好的识别结果。缺陷检测结果可以用于识别低等级羽毛片。此外,本文根据缺陷检测结果,选择合适的毛叶纹理描述特征,提取毛叶特征并训练分类器,对羽毛分级。我们初次尝试将卷积神经网络应用于羽毛分级,通过多组实验分析网络层数、卷积核个数等网络参数对羽毛分级结果的影响,并引入全局平均池化和多尺度特征,对羽毛分级网络构建具有参考价值。实验证明基于卷积神经网络的羽毛分级效果明显优于手工特征。最后,本文实现了一个羽毛片自动分拣软件系统,该系统融合了上述羽毛分割、缺陷检测方法和分级方法,结合硬件流水线实现了羽毛图像获取、羽毛分类等多种检测和羽毛投递的全过程。其中羽毛分级模块作为系统的核心部分,弥补了羽毛球生产过程中羽毛片自动分级技术的空白。该系统已投入实际生产环境,从试用效果来看,本系统具有创新性和竞争力。我们在工业生产中采集的羽毛图像数据集上完成了多组对比实验,探索机器视觉相关技术在羽毛分割和级别分拣中的效果,验证了本文提出的分割方法和分级方法的有效性。