目前传统的机织物纹理分析主要依赖于人工视觉,存在主观性较强且效率低等问题。随着纺织行业逐步向智能化方向转型,将图像处理技术和机器视觉应用于分析织物纹理特征已成为研究热点。近年来字典学习被引入机织物纹理稀疏化描述中,研究表明字典学习可对纹理特征进行有效表征,但现有字典学习模型仅适用于每种类型对应单张纹理的重构,且少有研究纹理分类对字典重构结果的影响。因此基于综合模型下的稀疏表示理论,本文构建了针对较大样本量的判别共享字典稀疏化表征模型,重点比较了两种基于稀疏化表示理论的聚类算法在机织物纹理划分上的有效性,并将其应用于判别共享字典稀疏化表征模型。本文具体研究工作如下:（1）构建了基于结构化判别共享学习字典的机织物纹理稀疏化表征模型。该模型以子窗口的形式进行划分和密集取样,选取两种经、纬纱密度的平纹、斜纹、缎纹、平纹变化组织、斜纹变化组织等作为研究对象,研究结果表明本文的结构化判别共享字典可对多种类型且每种类型均包含多张样本的机织物纹理进行表征,效果较好。（2）基于上述纹理表征模型,以不同经纬纱密度的平纹、斜纹、缎纹、平纹变化组织、斜纹变化组织等织物作为试验样本,优选出重构纹理图像所需的判别子字典和共享字典原子数量。通过比较十组分类方案间重构纹理的峰值信噪比、结构相似性指数测度及其对应判别性指标的差异,证明经、纬纱密度和组织结构均会对稀疏化表示模型的重构性能产生影响,其中后者对判别子字典的判别能力影响更为显著。（3）根据结构化判别字典学习的稀疏化表示思想,选取多路谱聚类作为机织物样本的划分方法,基于聚类内部有效性评价指标对聚类结果进行定量评价。研究结果表明,基于聚类有效性指标进行度量时,多路谱聚类算法的聚类效果相比于K-means聚类仅有很小幅度程度的提升,但聚类得到的方案不适用于结构化判别共享字典模型的稀疏化表征。（4）提出了基于SPCAAPK-means聚类方法。研究发现,当选择基于距离的度量指标对聚类有效性进行评价时,SPCAAPK-means相比于其他算法明显表现得更为优异。基于SPACAPK-means的聚类结果,应用到判别共享字典稀疏化表征模型对机织物纹理图像进行表征。结果表明,所得重构图像几乎包含了原始样本图像的全部纹理特征,且结构化总字典的判别能力较好。其中相同组织结构和经纬纱密度的样本的重构质量明显优于其他分类结果。（5）基于SPCAAPK-means聚类,对比分别固定经、纬纱密度标签和组织结构标签后判别共享字典稀疏化表征模型所得重构效果的差异。研究结果表明,无论固定密度标签还是固定组织结构标签后再进行聚类,判别子字典的纹理表征能力都优于直接聚类得到的重构效果,其中相较于固定密度标签,固定组织结构标签后,所得字典的判别能力会更高且更稳定。本文的研究结论,对机织物纹理表征、分类和重构有指导作用。