图像是人类生活中的重要信息载体，是一种相似性、生动性地描述或写真客观物体。随着计算机科学技术、图像处理技术、模式识别技术的快速发展，以及硬件技术的逐步成熟，图像处理技术在工业自动化生产，以及人们日常生活中的应用越来越广泛。　　机器视觉是采用图像处理相关技术对图像进行分析并得到目标物体或场景信息的过程。目前，我国很多纺织企业工业信息化建设还处于起步阶段，产品质量检测主要依靠人工检测，造成了成本费用高，检测与分类准确率低下。近年来，基于机器视觉的布匹瑕疵自动检测识别研究已取得了一定的成果，但由于布匹瑕疵种类繁多，缺少统一的开放数据库，而且布匹瑕疵图像采集时易受到光照、灰尘等噪声影响，因此，布匹瑕疵自动检测研究依然是当前机器视觉应用研究的热点。本文中将以本色平纹布匹瑕疵为研究对象，研究布匹瑕疵自动检测相关技术，有利于提高企业生产效率，降低成本，为纺织企业信息化建设打下一定的技术基础，提高我国纺织产品的国际化市场竞争力。　　本文的研究取得了以下成果：　　1.针对Gabor小波的布匹瑕疵检测运算量大，数据冗余，检测准确率较低等问题，提出了一种新的优化选择代价函数--单位均值方差法代价函数，即均值归一化的图像灰度值的偏差程度。实验过程中，设计了不同的多通道二维Gabor滤波器，并且使用4种布匹瑕疵数据库中瑕疵图像来验证算法的有效性。最后，基于该算法与布匹瑕疵的特点，设计了单尺度两方向的最优化二维Gabor小波布匹瑕疵自动检测系统，降低了运算量，准确率达到了93.3％，并分析了算法的时间复杂度，基本上达到了实时检测要求。　　2.针对布匹瑕疵中同类瑕疵的纹理差异性大，异类瑕疵又存在一定的相似性，单一型特征描述难以全面描述瑕疵特性，导致难以分类的问题，提出了基于完整性局部区域组合特征的布匹瑕疵分类算法。局部区域的完整性对布匹瑕疵特征提取、分类都有着一定的影响。局部区域组合特征组合了瑕疵局部区域统计特征和几何特征。首先布匹瑕疵图像通过最优化多通道二维 Gabor小波检测出瑕疵局部区域并进行完整性处理，然后选择瑕疵局部区域灰度直方图统计特征、瑕疵宽长比特征和瑕疵方向特征。最后分别设计了SVM、共同向量两类分类器来对布匹瑕疵进行分类。实验过程中，对竹节、破洞、筘路、脱纬4类布匹瑕疵进行了分类，识别率分别达到了91.0%，89.0%。实验表明，基于局部区域组合特征的布匹瑕疵分类算法性能明显高于其他方法。　　3.针对传统KNN算法中存在的问题与不足，根据样本特征空间的流形特性，提出了一种改进的 KNN算法--局部线性属性流形学习 KNN算法(Local Linear Property Manifold Learning K-Nearest Neighbor algorithm，LLMKNN)。该算法思路是根据样本集的流形特性，以及测试样本的K近邻训练样本对测试样本分类贡献率不同，给不同的K近邻训练样本赋予不同的权值。首先计算高维特征空间中测试样本的K近邻样本，然后通过K近邻样本最大化重构测试样本，重构权值体现了样本间内在的几何关系，最后根据重构权值来有监督地在低维特征空间中设计判别函数来判别测试样本的类别。实验过程中，采用3类纬向布匹瑕疵（竹节、双纬、脱纬）对LLMKNN算法进行验证，识别率达到了87.2%，并与KNN算法、BP算法、SVM和其它两种改进的KNN算法进行了验证比较。实验表明，LLMKNN算法不但克服了传统 KNN的缺点与不足，提高了布匹瑕疵分类的准确率，并且具有更好的鲁棒性。理论分析与实验结果表明了该算法具有一定的实用性。　　4.针对布匹瑕疵种类繁多，同类瑕疵的多样性，异类瑕疵的相似性等问题，文中提出了多通道Gabor滤波器最大瑕疵面积法优化选择代价函数，以及级联分类器设计思想来实现布匹瑕疵的分类。首先布匹瑕疵通过多通道二维Gabor滤波器，采用最大瑕疵面积法代价函数优化选择最优滤波通道作为瑕疵检测结果，可有效减少运算量。其次，在布匹瑕疵分类系统设计过程中，提出了级联分类器设计思想：通过一级分类器（决策树分类器）把布匹瑕疵分为纬向瑕疵、经向瑕疵和块状瑕疵；二级分类器设计时，针对纬向瑕疵、经向瑕疵、块状瑕疵分别提取特征、设计分类器。实验过程中，对竹节、双纬、脱纬、筘路、折痕、破洞瑕疵进行了分类，其中一级分类器分类准确率为97.92%，整个系统识别率达到了91.69%，并与SVM、决策树、传统KNN分类器进行了比较。实验表明，级联分类器的识别率明显高于其他方法。可见，级联分类器的设计思想可有效地实现布匹瑕疵的分类，具有一定的实用性，也可为其他模式识别提供一种解决方案。