我国的纺织品在国际纺织面料市场上占有非常高的份额，但大部分都是一些中低档次的产品，所以布匹表面疵点检验在最近几年逐渐成为一个非常重要的环节。而传统的检测都是由人眼完成的，这种方法降低了纺织生产流程中的自动化程度，使得检验的效率大大降低，很容易出现漏检和误检等现象，且受个人自身因素、主观经验的影响较大，因此为了加快我国纺织企业的发展，提高纺织企业的效率，开展高效率高质量的全自动验布机系统的研究更加重要。本文主要从疵点特征提取和识别分类两个方面进行研究，具体工作如下：本文采用一种改进的灰度共生法对布匹疵点进行特征值的提取，先求出四个方向上的共生矩阵，再分别求出每个共生矩阵的五个特征参数的值，然后根据综合灰度共生矩阵的公式，先求出每个方向的加权系数，再求出五个综合灰度共生矩阵，最后求出五个特征值，这种方法克服了单个方向灰度共生矩阵不能完整的描述纹理特征的问题，使得最后的误差率降低，为以后的疵点分类识别工作缩短了分类时间，减小了计算量，同时也提高了分类速度和分类精度。在对疵点进行分类方面，本文研究了径向基函数(RBF)神经网络和学习矢量量化(LVQ)网络，并将它们的分类效果进行比较，还分析了RBF神经网络的不同特征参数、不同训练样本组数、不同训练次数等各种因素对分类效果的影响，由于RBF神经网络更快的分类速度和更高的分类精度，所以更适合被应用于织物疵点分类中。另外还研究了快速主成分分析方法对分类效果的影响，将采用快速PCA前后两种方法提取的特征值进行对比，改进以后特征值维数明显降低且数量减少，而且消除了特征间的冗余和部分相关性，使得分类速度加快，误差率大幅降低。