随着金融行业对现金流通质量要求的不断提高，纸币新旧程度的自动分级已成为银行、自助取款机（ATM）以及现金管理系统的重要研究方向。纸币在流通过程中受到磨损、污损、折痕等影响，导致其外观特征的变化，使得精确的分类评估变得尤为困难。为了解决这一问题，本项目提出了一种结合图像检测与处理、特征提取和多分类器决策的纸币新旧分级方法，旨在提升自动化评估的准确性与稳定性。具体而言，本项目首先通过实时图像采集系统获取纸币的高分辨率图像，并运用图像检测与处理技术（如噪声去除、边缘增强和对比度调整）优化图像质量，确保纸币的细节更加清晰。接着，通过特征点分析与灰度-梯度共生矩阵（Gray-Level Gradient Co-occurrence Matrix, GLGCM）方法提取纸币表面的磨损程度、折痕分布及纹理变化等关键信息，以量化纸币的新旧程度。最后，采用DAG-SVM（Directed Acyclic Graph Support Vector Machine）多分类器进行新旧分类，能够准确评估纸币从全新到严重磨损的多个分类等级。本项目的创新点在于：1) 通过结合图像检测与处理技术，优化纸币图像的质量，提升纸币表面细节的分析精度；2) 使用灰度-梯度共生矩阵方法，能够有效量化纸币表面磨损与折痕，提高分类的区分度；3) 基于DAG-SVM多分类器实现多级分类，从而准确地对纸币的新旧程度进行分级，增强系统的自动化水平与适应性。实验结果表明，所提出的方法在多个纸币数据集上的新旧分类准确率达到92%，相较于传统分类方法，分类精度和稳定性均有显著提升。该方法能够广泛应用于银行、ATM设备及现金管理系统，为纸币流通质量的智能评估提供强有力的技术支持。