织物作为日常生活中广泛使用的材料,具有很高的实用价值。织物瑕疵直接影响纺织产品的品质,由于纺织质量要求的不断提高,在纺织工业中,织物图像识别技术逐渐取代传统的人工目检。特征提取作为织物识别的关键步骤,能否从织物图像数据中挑选出对织物识别最有价值的特征,将直接影响其分类性能。线性判别分析（Linear Discriminant Analysis,LDA）是特征提取中最为经典的一种方法,但存在小样本奇异不可逆和只关注全局特征的问题。LDA-GSVD方法将广义奇异值分解（Generalized Singular Value Decomposition,GSVD）与LDA相结合,避免小样本造成的类内散射矩阵奇异不可逆问题。由于织物图像的瑕疵具有种类繁多、差异较小的特点,需要加强传统LDA-GSVD对局部几何信息的利用。针对上述特点,本文分析与研究了基于LDA-GSVD的织物图像特征提取方法,具体工作内容如下:（1）为克服LDA忽视类间局部几何信息的问题,对类间散射矩阵进行优化,提出一种基于改进类间散射矩阵的LDA-GSVD方法,实现织物图像的特征提取。在LDA-GSVD的基础上,利用局部保留投影（Locality Preserving Projection,LPP）方法加强对局部信息的保留,对类间散射矩阵添加类间离散权重,防止邻近类重叠,强调类间差异。结合实验与其他相关的LDA特征提取方法进行对比,所提出的方法能取得更高的织物图像分类准确率,且分类所需的计算时间具有一定竞争力。（2）为加强LDA对类内局部几何信息的关注,对类内散射矩阵进行优化,提出一种基于改进类内散射矩阵的LDA-GSVD方法。在改进类间散射矩阵的同时,对类内散射矩阵添加类内紧凑权重,增加类内局部几何信息,降低偏差的影响,减小类内差异。基于相同的织物数据集,与基于改进类间散射矩阵的LDA-GSVD方法作对比,通过实验结果证明所提方法具有更好的织物图像分类性能,降低了计算复杂度。（3）在改进的LDA-GSVD基础上,设计一个织物图像瑕疵分类系统验证本文方法的实用性和有效性。该系统使所提算法的实验过程可视化,将本文的工作集成在GUI界面中,从而更加简单灵活地应用本文方法。