细羊毛与羊绒的鉴别一直是纤维鉴别中的难点问题。由于两者外观形态和理化性能具有颇多的相似性,致使其分辨难度较大。目前提出了很多羊绒与羊毛的鉴别方法,但目前行业公认的标准依旧是显微镜方法。显微镜鉴别法主要依据纤维鳞片特征的差异来鉴别,检验结果的准确性与检验员的经验息息相关。因此将羊绒与羊毛混合测不准是客观事实,且目前羊毛细化和羊绒粗化的情况比较严重,故将羊绒与羊毛纤维的准确判识更加困难。随着计算机应用技术的飞速发展,将显微镜检测与计算机技术结合来检测成为一种趋势。本文利用BEIONF6纤维细度仪采集图像,显微镜来观察纤维鳞片特征,由计算机来储存获取的图像,利用图像处理工具对采集的图像进行处理,提取鳞片的纹图信息,如：细度、鳞片高度、周长、面积、相对周长、相对面积、厚度、径高比、翘角等,但较多地集中在前几个或其他指标,而较少关注光学显微镜较难观测且不易测准的鳞片翘角。本文根据鳞片轮廓的形态,建立求解鳞片翘角与厚度的数学模型,并依此结果研究了鉴别澳毛与羊绒的可能性和准确性。通过对澳毛和羊绒鳞片翘角和厚度的统计、分布密度函数及其两类错误概率的分析,得出两类错误之和的误判率少于11.3%的结果。这为羊绒与澳毛混合体的鉴别提供了又一特征组合指标。由原来的8个参数指标加之本文新提出的2指标,得到表征鳞片形态的10个参数,并对10个特征参数进行统计分析,得它们的拟合曲线参数,对比分析羊绒与羊毛的理论曲线,求出其两类错误值,比较得出较优的参数指标。并对10个参数进行相关性分析,选出独立性较强且两类错误值较小的指标,并对它们的复合指标进行讨论,根据这些指标建立主因子识别模型,综合识别模型,基于SPSS的聚类分析模型,以及贝叶斯模型,得出贝叶斯模型具有较高的准确度,根据上述模型的准确性的高低建立羊毛羊绒的串联识别模型。具体结果如下：(1)根据纤维的形态特征建立的澳毛羊绒的鳞片翘角模型具有较高的精度。鳞片翘角和鳞片厚度是澳毛羊绒鉴别的特征指标,对澳毛羊绒的鉴别具有重要的意义。(2)对于参数指标的组合,不是组合参数越多越好。在翘角厚度比指标中,翘角的两类错误达21.46%,厚度的两类错误达41.81%,翘角厚度比的两类错误达11.3%；而在h2Ad、(dh)2、(dh)2/Ad等组合指标中,其两类错误分别为60.21%、62.11%、79.61%。准确度大大降低；而(dh)2/(Ad·Pd)组合指标的两类错误为30.62%,准确度大大提高。(3)在前人的基础上提出了具有可行性的鳞片翘角与鳞片厚度指标,因为澳毛鳞片翘角与羊绒鳞片翘角差异性显著,而根据澳毛和羊绒的鳞片翘角的理论值两者概率分布的交叠性质,α=15.12%,β6.34%,两者的绝对错误达21.46%；鳞片厚度之间也存在显著性差异,此时α=22.2%,β=19.61%,两者的绝对错误达41.81%。鳞片翘角优于鳞片厚度。当θ1>θ2,t1<t2时,得复合指标θ1/t1>θ2/t2,比值增大,使得两类纤维的交叠部分较小,提高了准确度,故能作为区分两种纤维的复合指标。(4)提取的10个特征参数之间不是完全独立,经相关性分析后,得出鳞片翘角(1#)的α=6.34%,β=15.12%；两者的绝对错误达21.46%；直径(2#)的α=22.33%,β=15.75%,两者的绝对错误达38.08%；径高比(3#)的α=20.68%,β=21.13%,两者的绝对错误达41.81%；及鳞片厚度(4#)的α=22.2%,β=19.61%,两者的绝对错误达41.81%；相互独立的4指标具有较强的显著性。(5)对于纤维的判识,本文采用4种方法。主因子分析分析法得出的判识率为93.4%；用SPSS法得出的判识率为94%；用4参数贝叶斯模型得出的判识率为97.8%；对上述4种判识方法,进行串联组合,得出判识率高达99.9%。最后,为了寻找更显著的参数指标提出了点数连续的20个鳞片中分岔鳞片的个数以及对鳞片分叉处交叉角度的大小来区分羊毛羊绒纤维,也获得较好的结果。