自动织物检测系统是用机器视觉的方法代替人工检测。它可以克服人工验布的易漏检、误检高、速度慢等缺点,符合工业自动化生产的发展趋势和人们对纺织品质量要求的不断提高。因此对该系统的探索性研究,具有一定的科技和市场价值。近年来涌现出众多织物瑕疵检测算法,但将这些算法应用于工业检测仍然面临许多挑战,如样本的不足、织物的多样性、计算量的限制、检测效果的高要求。因此准确性高、通用性强且计算量适中的织物瑕疵检测算法仍值得研究。本文在研究前人经典瑕疵检测算法的基础上,以基于稀疏编码的瑕疵检测算法为核心研究内容,完成了以下几项工作：提出了基于改进后的稀疏编码织物瑕疵检测算法。采用稀疏编码来训练得到特征提取的字典,使得不同种类织物纹理的特征选取具有充分的灵活性,弥补了传统算法特征的单一、固定、通用性不强的缺点。采用织物图像在训练字典上的投影代替稀疏表达作为特征,从而达到减少计算量的目的。实验结果表明该方法得到的特征更加的稳健,在检测效果和计算量两方面有明显的优势。提出了基于瑕疵形状的织物检测加强算法。采用瑕疵常见形状的均值滤波来提升检测的稳定性,增强弱小瑕疵的检测效果。通过图像积分图技术,减少均值滤波过程的计算量。实验结果表明,进行该滤波后对弱小瑕疵的检测效果得到很好的加强。提出了基于小规模过完全字典的瑕疵检测算法。采用稀疏编码训练得到的字典来提取特征有着很好的抗干扰能力和区分度,但字典的规模太大,导致算法很难实时检测。针对这一问题,结合经典的频域瑕疵检测算法,提出使用Gabor滤波器进行图像预处理,通过减小织物图像纹理的重建复杂度和噪声干扰,来降低训练所得字典的规模。实验结果表明该方法不仅减小了特征维数和计算量,检测效果也提升很多。对比于他人算法,该方法在检测通用性和效果两方面有着明显的优势。提出了基于双尺度字典训练的织物瑕疵检测算法。传统的瑕疵检测算法中,不可避免的需要权衡检测精度和检测稳定性。检测精度要求越高,越需要小的检测窗口；而检测窗口越小,检测的稳定性越易受到噪声的影响。针对该问题,本文提出了双尺度联合检测。综合大尺度下检测的稳定性和小尺度下的检测敏感性,来提高检测效果。利用大尺度下对细节的不敏感,对大尺度下图像进行下采样,减少数据量,从而降低计算量。实验结果表明,双尺度下的联合检测效果明显好于单尺度。虽然增加了一个尺度的检测,但计算量并没有增加。本文采用检出率、误检率、通用性、计算量等指标来衡量算法的性能和可靠性。通过自己的斜纹布数据库和公共数据库的实验表明,本文算法有着很好的实用性,对比与其他算法检测效果有明显优势。在TI的8核DSP TMS320C6678平台下,本文算法可以高效的并行运行,检测速度满足工业检测的要求。