在布料的工业生产环节中,质量控制是提高企业核心竞争力的有效手段。近年来,机器视觉检测织物瑕疵以其非接触、抗干扰、高速、高精度等独特的优势,在工业产品质量控制领域得到越来越广泛的应用。目前,我国的布料瑕疵检测工作仍以传统手工检测为主,效率低,误检率高。针对上述情况,基于机器视觉的布料瑕疵检测具有实时性和准确性等特点,本文对机器视觉的布料瑕疵检测相关关键技术进行了研究与实现。首先,针对布料瑕疵检测问题,在布料检测系统中采用图像处理中的图像去噪、图像增强和图像锐化等图像预处理方法,分析了相关算法的应用情况,并运用上述图像预处理技术,进而得到了效果更佳优良,边界更加清晰可见的布料图片。其次,由于传统的Canny算子提取物体清晰轮廓需要人工地选择其参数,不具备自适应性。本文提出了一种自适应Canny边缘检测方法,采用3*3邻域代替Canny算法中2*2邻域来计算梯度幅值,接着把Otsu算法应用到Canny求阈值的中去,让传统Canny算法自动获取高低阈值,通过自适应阈值对图像做非极大值抑制进而得到图像的边缘,使检测出的边缘更加连续并减少虚假边缘的存在。接着,利用神经网络的相关理论,结合布料瑕疵的具有的特殊性,设计了一个基于神经网络的布料检测方法,该方法利用BP神经网络的特性,然后通过四层BP神经网络的检测和学习功能对布料进行识别,实验结果验证该方法可以对布料瑕疵进行识别。最后,对软件系统进行了设计与实现,采用多线程同步的模式对视频图像进行采集和识别处理,并对系统的检测率、误检率和漏检率进行介绍。实验证明本文算法针对布料检测是有效的。