随着人工智能时代的到来，基于计算机视觉的织物瑕疵检测代替人工检测成为了历史必然，而且对检测精度、在线实时性、检测准确率等提出了更高的要求。由于实际生产中织物瑕疵种类繁多，同类织物瑕疵外形差异大，不同类织物瑕疵存在相似纹理特征，所以对织物瑕疵的检测分类成为了目前研究的难点和热点。
　　为了能够准确的区分形态各异的织物瑕疵，单一角度的织物瑕疵特征并不能够全面的反应多种瑕疵之间的差异性，因而本文从多个角度对织物瑕疵特征信息进行了描述。首先，提取了8个基于灰度共生矩阵的非线性纹理特征、10个基于局部二进制的局部纹理特征、4个多重分形维数特征和6个基于小波变换的多尺度纹理特征，共计28个特征信息。然后，采用归一化的方法对来自不同特征提取方法得到的多特征进行了融合；最后，为了避免维数灾难的发生，减少数据冗余，采用了局部线性嵌入算法对提取到的高维特征进行了维数约减，该方法最大的特点就是在降低数据维数的同时，能够在低维嵌入空间中保持原始数据局部领域关系不变，这有利于保证多角度特征的差异性不会受到数据降维的太大影响。
　　分类器的选择对于织物瑕疵的在线分类检测至关重要，不但要保证分类的准确性，而且也要满足在先线检测的实时性，为此本文结合分形理论和模糊聚类，提出了一种改进的基于支持向量机的分类器。该分类器首先用基于核函数的模糊C均值聚类算法对样本特征数据进行聚类，然后根据对聚类后得到的各个小类（含两类标签的交叉类）的分形盒维数，对各个小类数据空间分布的可分性作出判断，若满足可分性要求，则使用支持向量机对该小类进行分类，否则再次对其进行聚类，直到所有小类数据被划为。该分类器能够很好的实现对非凸数据的分类，且分类效率高。本文选取了包含破洞等8类瑕疵的织物图像样本各100个，共800个织物样本进行学习和测试，实验结果表明，本文提取的织物瑕疵检测模型能够取得很好的分类效果。