我国每年产生废旧纺织品超过2 600多万吨, 且随着经济的发展呈现逐年增多的趋势, 而其再生利用率不足10%。 废旧纺织品组分的多样性和结构的复杂性是影响其准确分类、 快速回收和高附加值再利用的最大障碍。 人工识别分选既费时费力又不准确, 而近红外光谱分析技术可对其进行快速无损高效识别分选。 在前期探究的最佳测试条件下, 利用自主研制的“纤维制品在线近红外高效识别与分选装置”对聚酯、 棉、 毛、 锦纶、 真丝、 粘胶、 腈纶、 聚酯/毛、 聚酯/棉、 聚酯/锦纶、 真丝/棉混纺和“特殊类”共计12类1 060个废旧纤维织物样本进行在线原始近红外光谱采集。 基于采集的样本在线原始NIR谱图, 利用卷积神经网络方法, 依据输入的样本光谱数据及对应分类标签进行网络训练, 建立了12类废旧纺织品在线NIR定性识别模型。 对比一维、 二维卷积神经网络模型, 其二维模型较优, 该模型是将901～2 500 nm的一维数组归一化后转化为40×40像素的二维灰度图像, 再交替进行多次卷积和池化来进行光谱特征的提取、 压缩和数据降维。 通过模型计算得到每类废旧纺织品样本的类别概率值, 取其最大值作为该类织物的最终分类。 本模型训练过程设置为500轮, 每次取32个样本图像, 学习率为0.001。 训练后输出预先设定的12类织物标签, 所建模型的内部训练准确率可达96.2％。 为了验证模型的适用性, 用232个未参与建模的织物样品进行预测检验, 其识别正确率达96.6％。 将该模型导入“纺织品在线主控程序”后, 可对建模样本所涵盖的12类织物进行成分识别与自动分选, 每个样品的识别和分选时间小于2 s。 模型的建立和装置的应用为我国废旧纺织品的回收再利用提供了一种全新的分选技术和装备。

为修复破损纺织品文物图像，在Criminisi算法基础上，提出一种改进的基于K-means颜色分割的纺织品文物图像修复算法。根据纺织品文物图像的特点，将RGB图像转化为Lab颜色模型，采用K-means分类器对a*b*层数据基于颜色进行分割处理，对纹样图案边缘进行标定并缩小匹配块搜索区域；引入L值的标准差来表示颜色离散度，对优先权函数以及自适应匹配块进行改进。用所提算法与文献报道的3种算法对自然破损纺织品文物图像和人为破损纺织品图像进行修复，并对修复结果进行评价。实验结果表明，所提算法修复的图像纹理自然、结构合理，峰值信噪比、结构相似性、特征相似性、均方误差值更好。

近年来光电子技术飞速发展，在各领域发挥重要作用，尤其在能源和传感领域有较大突破。与此同时，智能可穿戴作为智能终端产业下一个热点已被市场广泛认同，将光电子技术应用于纺织领域制备智能可穿戴设备是一个必然的趋势。纺织材料的柔性、可穿戴性及成熟的加工技术使其成为了智能电子设备的优良载体，结合光电子技术，智能纺织品可具备多种附加功能，包括传感、集能、交互等。重点讨论和总结基于光电子技术的智能可穿戴纺织品的分类、发展及应用，以便更好地与传统纺织结构或技术融合，推进智能纺织品在各个领域的发展。

随着对可持续、可穿戴、清洁能源需求的增长，摩擦纳米发电机（TENG）引起了人们广泛的关注。基于纺织品的摩擦纳米发电机（T-TENG）具有轻薄柔软、穿着舒适的优点，一直是设计研究的焦点。由于纤维和纱线是纺织品的基本单位，纤维/纱线基TENG可以通过后续加工处理制备成不同结构的织物或集成在其他织物中，充分保留织物结构本身的优势，因此设计和开发具有优异性能的纤维/纱线基TENG被认为是制造T-TENG根本解决方案之一。本文介绍了TENG的基本原理、纤维/纱线基TENG制造技术，并对纤维/纱线基TENG的集成策略进行了综述，最后对制备纤维/纱线基TENG提出了展望并总结了面临的挑战。

近红外光谱分析技术可用于对样本的快速无损检测, 在人们的生产和生活中发挥着越来越重要的作用。 支持向量机是建立定性分析模型的常用方法, 可通过寻找最优分类超平面将两类样本分开。 在小样本情况下, 支持向量机方法有其独特的优势。 主成分分析是常用的数据降维方法, 可将数据降维之后作为支持向量机方法的输入变量, 简化模型并提高模型识别的准确性。 因此, 基于主成分分析的支持向量机(简称PCA-SVM)适合用于建立近红外光谱定性分析模型。 多模型方法是人们使用较少的建模方法, 用该方法建立的模型一般具有较好的稳定性。 将多模型方法与PCA-SVM方法成功结合形成了新方法。 以棉锦混合、 棉涤混合纺织品为例, 用新方法建立了这两类纺织品样本的近红外光谱定性分析模型。 建模时将光谱数据按照波长分为4组, 用每组光谱数据建立一个子模型, 将子模型的输出值进行加权平均便得到最终的预测结果。 这样可以更充分地使用光谱数据中所包含的信息。 为了便于对比不同的方法, 仍使用上述校正集和验证集, 又用PCA-SVM方法建立了这两类纺织品样本的近红外光谱定性分析模型。 对预测结果做交叉验证, 用新方法所建模型判别的正确率的平均值为85.49%, 正确率的标准差为0.066 7, 用PCA-SVM方法所建模型判别的正确率的平均值为83.34%, 正确率的标准差为0.109 6。 研究结果表明用新方法所建模型的分类效果好于用PCA-SVM方法所建模型的分类效果; 用新方法建立的模型的稳定性明显高于用PCA-SVM方法建立的模型的稳定性。 用PCA-SVM方法所建模型的预测效果受校正集构成情况的影响较大, 而用新方法所建模型的预测效果则相对稳定。 对废旧纺织品进行分类回收可大量节约纺织原材料, 但采用人工分拣方式效率低且成本高。 采用近红外光谱分析方法对纺织品进行分类, 为废旧纺织品的大规模精细分拣和分级奠定了一定的基础。 该新方法有望用于某些其他类型样本的分类。

棉是一种重要的天然纤维，如果能根据废旧纺织品的棉含量对其进行分类回收利用，可极大地减少对天然纤维资源的消耗。但目前废旧纺织品的回收主要采用人工分拣方式，这种方式效率低、成本高，难以满足对废旧纺织品进行大规模精细分拣、分级的需要。本文使用近红外光谱分析方法对废旧纺织品的棉含量进行判定，用基于主成分分析的支持向量机方法建立了废旧纺织品的近红外光谱定性分析模型，模型能将含棉和不含棉的两类废旧纺织品很好地分开。对于含棉的废旧纺织品，又用多模型方法建立了废旧纺织品棉含量的近红外光谱分析模型，模型具有较好的预测结果。综合使用上述两个模型，能较好地判定废旧纺织品的棉含量。这种新方法有望用于废旧纺织品某些其它天然纤维含量的快速判定。

纺织纤维和纸张纤维是常见纤维质文物材料, 是构成博物馆精美文物如服饰手稿书画的基本材料, 近年来寻求通过无损或微损方法对这一类材料的鉴别以及劣化状况评价备受文物鉴赏家和文物保护工作者的关注。借助傅里叶变换红外光谱, 研究博物馆常见纺织纤维材料棉、麻、桑蚕丝、柞蚕丝、羊毛的红外光谱特征和它们的分子结构组成异同, 研究传统纸纤维稻草、麦草、龙须草、龙旗松、桑皮红外光谱特征。结果表明: 衰减全反射傅里叶变换红外光谱无损分析技术可通过比较3 300～2 800 cm-1 CH, NH, OH振动区间光谱形状以及指纹区峰位以区别不同种类纺织品纤维;碳氧振动纸张纤维最明显光谱差异位置出现在与纤维素OH伸缩振动相关波数3 300 cm-1和与C—O—C相关波数1 332, 1 203, 1 050 cm-1。文章探索研究红外光谱技术结合主成分分析法在快速鉴别纤维材料中的应用。通过对全光谱数据多元散射校正(MSC)预处理后进行主成分分析, 可以把红外光谱十分相似的纺织纤维棉和亚麻、桑蚕丝和柞蚕丝明显分类;对光谱相似的纸纤维, 可采用选择不同光谱波数段进行主成分分析, 比较发现能够把五种纸纤维明显区分的光谱区间为3 800～2 800 cm-1。本研究为分子光谱无损分析技术应用于文物材料鉴别、科学评估纤维材料保存状况提供基础研究。

纺织品在加工的过程中会引起多种有害元素的污染, 为了监控纺织品的质量, 建立了微波辅助稀硝酸萃取结合电感耦合等离子体发射光谱同时测定纺织品中砷、 锑、 铅、 镉、 铬、 钴、 铜、 镍、 汞等九种有害元素的检测新方法。 通过萃取剂的筛选和萃取条件的优化, 最终确定了用5%的硝酸30 mL作为萃取剂, 萃取时间为5 min, 萃取温度为120 ℃, 仪器功率为400 W作为微波辅助萃取条件。 并用电感耦合等离子体发射光谱对萃取出的九种有害元素总量进行检测。 结果显示: 本方法的检出限在 2.25～112.5 μg·kg-1之间, 对加标样品的萃取率为73.6%～105%, 相对标准偏差(RSD, n=3)为0.2 %～1.7%。 本方法已成功用于棉布、 毛料、 涤纶、 腈纶四种纺织品样品的检测。