针对棉花异性纤维检测准确率不高、实时性较差的问题，以棉花为研究对象，提出了一种基于改进YOLOv3的棉花异性纤维检测方法。引入轻量级MobileNets网络为特征提取网络，结合YOLOv3的多尺度特征融合检测网络，构建改进的MobileNets-YOLOv3模型。提出一种分段式学习率，以增强学习效果。将实际采集到的真实棉花异性纤维图像数据集按4∶1的比例划分为训练集和测试集，并使用对比度增强、水平镜像等6种图像增广方法扩充数据集。对扩充前后的数据集、不同的学习率、改进前后的YOLOv3模型、本文模型与Faster R-CNN和SSD_300模型做了对比试验。实验结果表明，数据集的增广、改进后的分段式学习率均能改善训练模型的过拟合现象，在测试集上的平均正确率(mAP)分别提高了3.6%、5.64%; 改进后的YOLOv3模型对测试集进行检测的平均正确率(mAP)为84.82%，帧速率为66.67 f·s-1，识别精度优于YOLOv3模型，提高了2.03%，帧速率是YOLOv3模型的3倍，总体性能也优于Faster R-CNN和SSD_300模型，能较好地满足棉花异纤检测的精度和实时性要求。