摘要：针对复杂废旧纺织品中聚酯纤维和氨纶纤维含量检测精度低、模型易过拟合及泛化能力不足等问题，本文提出了一种基于近红外高光谱成像与优化机器学习算法的快速无损检测方法，用于实现废旧纺织品的自动化识别与分选。采用工作波段为1 000～1 700 nm的推扫式高光谱成像系统采集不同混纺比例样本的光谱数据，并通过黑白板校正、Savitzky-Golay滤波及标准正态变换对数据进行预处理，以降低噪声和散射干扰。针对聚酯纤维含量预测，利用主成分分析提取光谱特征，并构建基于蛇优化算法优化的多层感知机模型（MLP-SO）；针对氨纶纤维检测，通过相关性分析筛选敏感波段，结合核主成分分析特征建立随机森林（RF）模型。结果表明，MLP-SO模型在聚酯含量预测中取得决定系数（R2）为0.963、均方根误差（RMSE）为3.546的性能，显著优于传统机器学习模型；RF模型在氨纶含量预测中获得R2为0.901 78、RMSE为1.48，明显优于偏最小二乘回归模型。相关性分析显示1 000～1 100 nm和1 400～1 500 nm为氨纶含量敏感波段，特征可视化结果验证了不同氨纶浓度样本的良好可分性。研究结果表明，高光谱成像结合优化算法可实现复杂废旧纺织品中聚酯与氨纶纤维的快速、无损和定量检测，为纺织品资源回收与绿色循环利用中的高效自动化分选提供了可靠技术支撑。 收起-