纺织印染企业，要提高染色后成品布匹的市场竞争力，在印染领域崭露头角，就必须严格控制颜色质量这一不可忽视的重要指标。传统的色差检测主要依靠人工来完成，检测过程具有很强的主观性，并且效率低下。将机器视觉引入到色差检测领域取代人的视觉检测是不错的解决方案，具有很大的优势。本文基于机器视觉和图像处理技术，对色差检测理论和算法进行了研究，并将研究理论应用于宽幅面、大视角的染色品检测评价中，解决了图像采集、图像拼接、图像特征提取以及颜色恒常性描述等关键技术问题。首先研究了照明系统、摄像头、图像采集等技术理论，并在此基础上选用适合本系统的硬件，整体规划了“基于机器视觉的色差在线检测系统”的总体方案，设计并搭建了动态实验平台，进行了图像预处理算法对比实验以及三种色差公式性能优劣对比实验，根据实验结果，选择了适合本系统的图像处理算法以及色差公式。然后，由于需要采集宽幅面布匹的图像，安装了两台高性能高精准度的彩色工业相机捕捉图像，然后将采集到的数据通过PCI千兆网卡传输到PC机。首先对图像进行图像处理，经过图像配准与图像融合等步骤拼接成一幅清晰度高、大视场的宽幅面的彩色图像，可以实现快速图像拼接，并保证拼接图像的质量。在染色品色差检测中，光照的不稳定变化会严重影响评价结果，据此，引入了一种新的模型改进后的各向异性扩散模型（Perona模型）。传统的各向异性扩散模型与本文提出的改进后各向异性扩散模型做光照不变处理，最后用纺织行业比较常用CIEL*a*b*色差公式分析处理效果，并以Datacolor650测色仪的测量结果作为标准对照。实验结果表明，改进后的图像去噪算法获得的光照不变图像可以消除光晕和白斑现象，取得更好的图像平滑效果，符合人类视觉，为光照不变染色品色差检测提供了保障。为了更好的解决颜色恒常性问题，根据标准样品和测试样本之间的距离来确定误差限的方法对最小二乘支持向量回归（LSSVR）算法进行改进，并与以X(1)(1)~X(1)(n)的平均值作为初始值的改进的GM(1,1)模型相结合，对光源照射下的不同颜色的纺织品进行光照校正。灰色理论有良好的局部优化性能，弥补了LSSVR会陷入全局最优的缺陷，较好地改善了纺织品光照校正的效果。对比实验结果表明，该方法有很好的稳定性和校正效果，LSSVR采用分次处理小数据的方法减少了光照校正的时间，改进的灰色预测GM(1,1)模型与改进的LSSVR相结合后，提高了预测精度。最后，为了量化染色品色差评价的结果，引入了色差评价的一致性和均匀性算法，并采用了主元分析法(Principal ComponentAnalysis, PCA)进行了数据降维处理进一步分析。支持向量机算法（SVM）能很好地解决小样本的数据分类问题，利用此机器学习算法建立了色差评价模型，并分别用朴素贝叶斯模型（Naive Bayesian Model，NBM）与最小二乘支持向量机（LSSVM）算法对一致性和均匀性数据建模。实验表明，与传统朴素贝叶斯方法相比，本文提出的评价算法和评价模型能实现对染色品染色效果的快速准确评价。