织物疵点检测是纺织品生产管理与质量控制的重要环节。目前，织物外观疵点检测主要依赖于人眼视觉，这种方法存在效率低、误检率高、主观性强等缺陷，不能满足现代化生产的需要。因此，采用机器视觉进行织物疵点自动检测成为纺织工程领域的研究热点。采用机器视觉进行织物疵点检测首先要开发一种行之有效的在线检测程序，该检测程序一般分为疵点图像的分割与分类。然而，织物图像在拍摄、传输等过程中会受到噪声的污染。因此，在织物疵点分割前要对织物图像进行预处理，以消除图像中的噪声。本文在前人研究的基础上创新性的提出了基于轮廓波高频方向子带能量的Donoho多尺度阈值消噪方法对织物疵点图像进行消噪处理，以消除噪声对织物疵点图像疵点特征的影响，突出织物疵点特征。该方法较小波消噪和轮廓波Donoho多尺度阈值消噪方法有更好的消噪效果。织物疵点分割可以使织物疵点形象直观地表示出来，是织物疵点表达的重要环节。本文在轮廓波变换的基础上，采用区域能量极大值的方法将各层高频子带进行特征筛选，重组出高频子带系数，然后将高频子带系数与分解得到的低频子带系数重构出图像。最后，采用阈值分割方法和形态学开运算实现对织物疵点图像的有效分割。在轮廓波分解部分，详细介绍了轮廓波分解中拉普拉斯（LP）分解滤波器和方向滤波器组（DFB）的选择、分解层数的确定，以确定最优的分解方案。在最优的分解方案下，本文提出的基于轮廓波变换的织物疵点分割方法较好地捕捉了织物疵点的轮廓信息，更好地保留了织物疵点特征。为实现织物疵点的有效分类，更直观地认识织物疵点，本文将特征提取与BP神经网络分类结合起来。在该部分，采用灰度共生矩阵对织物疵点图像和融合图像的纹理特征进行提取；与此同时，计算出分割图像的结构特征；然后运用主成分分析法对提取的织物图像特征进行筛选。最后将主成分分析得到的主成分数据输入文中设计的一个三层BP神经网络中对神经网络进行训练和织物疵点识别。文中以织造生产中常见的5类织物疵点和正常的织物图像为实验对象，识别准确率高达98.3%。为了更加直观地对本文算法进行表达，本文利用Matlab的GUI工具箱将文中表达的算法流程用一个用户界面表示出来。