布匹的质量控制在纺织品行业中起着非常关键的作用，而布匹瑕疵是影响布匹质量控制的重要因素。目前，布匹瑕疵识别主要依靠传统的人工离线完成，存在工作量大、检测速度慢且准确度低等问题。随着计算机和模式识别技术的快速发展，布匹瑕疵自动识别是纺织工业生产中质量监控的必然趋势。当前，布匹瑕疵自动识别的研究虽然已经取得了一定的成果，但是由于采集图像受光照变化、噪声等影响，以及瑕疵具有类别较多等问题，使得布匹瑕疵识别仍然是一个具有挑战性的研究课题。本文将重点放在瑕疵识别中检测和分类等关键算法的研究上，将近年来模式识别领域的前沿理论引入布匹瑕疵识别中，针对10类常见瑕疵的识别问题进行深入研究，论文取得了以下主要研究成果：1．针对瑕疵类别较多，以及单一方法只对某些类别瑕疵有效的问题，设计了一种小波变换多尺度积和数学形态学的瑕疵检测算法。首先采用非下采样小波变换把瑕疵图像分解成多个子图，然后对低频近似子图进行数学形态学运算，得到瑕疵的形状特征，对高频子图采用小波多尺度积方法，可以抑制噪声的同时增强瑕疵的边缘特征，最后用加权平均法融合得到检测结果。实验从主观和客观两方面进行评价，与经典的Gabor和小波变换算法比较，该算法能快速有效地实现布匹瑕疵检测，综合性能优于对比算法。2．利用非下采样Contourlet变换（Nonsubsampled Contourlet Transform，NSCT）的分解系数能较好地描述瑕疵图像轮廓的特性，提出了两种基于NSCT的布匹瑕疵检测算法。（1）提出一种基于NSCT标准差的检测算法。通过方差代价函数得到最优子带，由于瑕疵和非瑕疵区域系数差别较小，阈值法很难进行瑕疵分割，采用标准差法可以较好地处理这个问题。该算法对瑕疵定位较准且计算量小。（2）提出一种基于NSCT的高斯混合模型（Gaussian Mixture Model，GMM）的检测算法。该算法通过代价函数法获取最优子带，然后实时地估计瑕疵和非瑕疵区域的GMM参数，避免了对每一类瑕疵的估计，最后根据最大后验概率进行瑕疵分割。该算法不需要瑕疵的先验知识，与几种对比算法相比性能得到了较大的提升。3．针对布匹瑕疵种类多，相似类瑕疵不易区分的问题，提出一种基于改进GMM参数估计的布匹瑕疵分类算法。对变换域的子带提取全局统计特征，实验表明全局特征在类内具有稳定性；针对局部二值模式（Local Binary Pattern，LBP）和灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）各自的优势，提出采用两者融合的局部特征提取方法，该特征反映了瑕疵的细节特性且维数较小。然后引入最小误分率函数，提出一种联合估计GMM参数的方法，最后通过贝叶斯分类器进行分类。实验结果表明，混合特征能更好地表述瑕疵特征，相对于传统分类方法，本文算法得到更高的分类正确率，而且样本变化对性能影响较小。4．基于过完备字典的稀疏表示是一种新兴的信号表示理论。针对过完备字典可以有效地捕捉图像各种特征的优势，以及已有瑕疵分类算法对分割效果的依赖性，提出了基于字典学习的稀疏表示布匹瑕疵识别算法。通过判别字典学习方法得到瑕疵样本的过完备字典，该字典能更好地捕捉瑕疵图像的鲁棒特征。利用Gabor虚部变换快速得到瑕疵粗定位以及粗分类，避免了分类算法在整个图像上分块运算。接着采用追踪算法得到瑕疵块在过完备字典上的稀疏表示，并用线性分类器进行分类。最后将子块类别信息统计分析，输出识别结果。实验结果表明，本文所提算法不仅提升了分类性能且对误分子块具有纠错能力，同时提高了瑕疵识别的稳定性和准确性。