由于异性纤维影响纱线的质量,目前主要根据图像处理方法设计异纤分拣机,进行异纤的检测和剔除,但剔除效果普遍不理想,很多企业需要进行二次人工检测。本课题以多参数优化方法为研究手段,采用不同的神经网络,对异纤分拣机图像检测参数、风机频率和相机白平衡值等进行了研究,以提高异纤的检出率。依据异纤检测和剔除工艺过程,分析预测模型的复杂度和精度,采用核主元素分析法(Kernel Principal Component Analysis,KPCA)算法,对异纤检出率的影响因素进行筛选,提取主元素。进一步分析异纤检出率影响因素,通过径向基(Radical Basis Function,RBF)神经网络对主元素和检出率进行拟合,推导异纤检出率预测模型。分析图像检测参数对检出率的影响,对GA-BP神经网络算法进行了改进,建立了图像检测最优参数预测模型;根据异纤种类划分,对图像检测参数进行优化,并进行了实验验证。以图像检测最优参数为基础,以RBF神经网络异纤检出率预测模型为目标函数,通过多岛遗传算法(Multi-islands Genetic Algorithms,MIGA)算法分析多参数优化过程,确定图像检测参数、风机频率和相机白平衡值的最优参数组合值,并通过实验对组合值的有效性进行了验证。分析最优参数组合值在实际运行中的检出效果,提出一种基于神经网络的异纤检出率多参数优化控制系统,实时调整最优参数。主要采用RBF神经网络预测模型对异纤检出率进行初步预测,并通过PSO-BP神经网络控制器对多参数进行优化处理,设计了在线校正系统,以保证数据的准确性与神经网络的稳定性,并通过仿真实验进行了验证。通过神经网络方法,对异纤分拣机检出率进行多参数优化,可以实现异纤清除设备的异纤检出率的提高,改善实际异纤分拣操作中对人工挑拣的依赖程度,具有较高的应用价值。