在纺织工业界,动物纤维特别是山羊绒与细羊毛的鉴别问题一直是一个挑战。由于二者具有相似的形态特征和理化性能,对其进行高准确度的鉴别存在极大的困难。迄今为止,虽然学者们探讨了很多区分二者的方法,但行业认可的标准仍是显微镜法。随着时代的进步及计算机应用技术的快速发展,已经出现了将计算机技术与将显微检测技术相结合检测羊绒与细羊毛的趋势。虽然这些新的检测技术取得了很大的进展,逐步走向实用,但是仍然有很多问题有待解决。本文对羊绒的辨析准则及快速识别算法进行了深入研究,主要的工作和贡献如下：(1)利用高倍光学显微镜观察各种羊绒与羊毛的外观形貌,根据它们表面鳞片形态特征的差异,确定了能表征羊绒与羊毛的鳞片图纹特征的10个参数指标,并基于这些参数指标提出了鳞片图纹基因码的概念,讨论了它的构成与命名。提出了最优基因码组合的依据与方法,为最优基因码的寻找、纤维鉴别的思路指明了方向。给出了鳞片图纹基因码的独立性概念,并初步讨论了最优基因组合与基因组独立性以及羊绒识别精度之间的关系。给出了纤维识别中的正误判率的概念及理论意义,基于这些理论讨论了羊绒的实测识别率及其极限值,并给出了理论误判率的确定方法。(2)研究了羊绒与羊毛10个鳞片图纹基因码的统计规律,发现除基因码Rect外其它基因码的最优拟合分布均为对数正态分布。理论上讨论了使用10个鳞片基因码辨识羊绒与羊毛的精度,发现使用基因码径高比和相对面积辨识两类纤维可以获得误差总和不超过25%的纤维识别精度。基于10个鳞片基因码的纤维辨识精度确定了它们的显著性排序以及可行的基因码组合。讨论了不同指标体系下的最优基因码组合以及它们在羊绒与羊毛辨识中识别精度,得到最高98.5%羊绒识别精度。(3)指出了目前人工识别纤维所导致的误差和混淆的根本原因,提出了特征样照的概念,并基于采集到的羊绒和细羊毛纤维的鳞片图纹特征,确立了辨识羊绒与羊毛的3类特征样照,弥补了国标的不足,为羊绒与羊毛纤维的感观鉴别提供了参考依据。同时,基于纤维目测鉴别的原理,简化纤维总体感官的表达为总体的几何特征,并将此综合特征分解为横向上的几何特征、纵向上的几何特征以及区域上的几何特征。以此提出了纤维辨识的综合特征值的概念,为纤维的鉴别打开了一个新的思路。(4)研究了纤维辨识的非线性模型。发现使用举全的Bayse模型可以获得99.8%的羊绒辨识精度和98.785%的羊毛辨识精度,并由此确立了羊绒纤维的理论误判率为Cet=0.2%,羊毛的理论误判率是Wet=1.125%；发现使用举全的BP神经网络可以获得最高为96.3%的羊绒辨识精度和最高为96.1%的羊毛辨识精度,并以此确定了羊绒和羊毛的理论正确判率分别为Ct=96.6%和Wt=96.1%；发现使用基于最优基因组合的纯数据驱动的模糊聚类模型可以获得最高为81.6%的羊绒识别精度；发现使用基于神经网络和模糊逻辑的组合模型可以获得最高为99.9%羊绒识别精度,表明随着羊绒数据量的增大和模型的优化,羊绒的理论误判率Cet→0。本文的研究更深入的认识了羊绒与细羊毛在外观形态上的异同点,所得到的结论对于今后研发此类仪器具有一定的参考价值。此外,我们的研究还表明,在目前的观察检测手段下,采用合适地模型,羊绒鉴别精度可达到极限值1—Cet。