“衣、食、住、行”是人类生存的四大基本要素,其中“衣”自古以来都是排在第一位的。所以,在我国传统行业中,纺织行业一直是我国的支柱性产业和重要民族生产业,而织物产品的质量问题也关系到纺织企业的命脉。因此,对纺织品质量的监控与检测是企业生产过程中必不可少的环节。在纺织企业的生产过程中,传统人工织物疵点检测的方法不仅耗费大量人力,还存在检测效率低下、准确率低、劳动强度大、成本高等弊端。近年来,随着计算机视觉和图像处理技术的兴起与广泛应用,对织物疵点检测的研究已成为图像处理领域的研究热点之一。本文运用图像处理技术对织物疵点检测的若干问题进行研究,以达到提高织物疵点检测效率的目的。针对织物狭小疵点检测困难问题,本文以图像处理技术为背景结合图像的稀疏表达方式,采用FCM聚类方法进行检测。其基本思想是将织物检测模型分为学习模块和实时检测模块,把无疵点的织物样本库输入学习模块进行学习,把含有疵点的样本输入实时检测模块与学习好的样本进行对照,通过调节阈值来分割出残缺图像,以达到检测目的。针对织物疵点显著性特征检测问题,本文提出一种基于Gabor滤波簇的非均匀增量式LLE检测算法。Gabor小波在时域和频域具有较好分辨能力的特性,能有效地提取图像多尺度下的局部方向特征。然后,对提取后的高维特征采用非均匀增量式的监督LLE算法进行降维,再采用F-KNN算法进行分类,最后得到疵点识别结果。该方法较LLE算法、有监督的LLE算法在检测准确率上有明显的提高,并在一定程度上缩短检测时间。针对图像边缘提取中间断点多、不光滑问题,本文采用三次B样条小波作为滤波器,用小波变换的方法从全局的角度改善边缘间断问题,再结合小波变换基于模极大值的方法对非极大值抑制,最后采用K-means++聚类自适应双阈值方法对图像边缘进行检测,该方法提高了边缘的定位精准率。