织物疵点检测在织物质量控制中起着关键作用。传统生产过程中,织物疵点检测由人工完成,不能够满足对织物疵点检测的准确性、一致性和效率的要求。随着机器视觉技术的飞速发展,对于简单的无图案织物的疵点检测已经有了成熟的检测算法,但对于有图案织物的疵点检测算法尚未成熟。本课题利用图像融合来增强疵点的显著性,并利用具有结构化约束的低秩分解得到包含疵点像素的稀疏项,最后通过对稀疏项进行自动阈值分割实现对有图案织物的疵点检测。本文主要研究内容如下:（1）本文介绍了低秩分解理论并且分析了低秩分解与织物疵点检测的联系。理论上,低秩分解可以将具有低秩性的织物背景和具有稀疏性的疵点进行分离,来实现疵点检测。但是通过对几种传统的基于低秩分解的疵点检测方法进行验证,发现低秩分解在织物疵点检测应用中存在许多问题,本文总结并分析了问题的产生原因,明确了改进的方向。（2）本文提出了一种基于图像融合的疵点增强算法。该算法首先通过提取织物图像的能量特征来构造能量图。然后再对能量图与织物图像进行像素级图像融合,实现原始图像中的疵点细节信息与能量图中的疵点区域能量信息的互补增强。最终得到织物疵点和背景对比度高的融合图,从而解决了传统的基于低秩分解的织物疵点检测方法在织物疵点和背景相似的情况下检测效果差的问题。（3）本文提出了一种具有结构化约束的低秩分解模型。疵点像素具有较高的空间连续性和聚集性,而噪声像素则是零散分布的,该模型考虑到了这一结构差异性,在传统的低秩分解模型基础上增添了与空间结构相关的约束,使得低秩分解得到的稀疏项倾向于保留空间聚集性高的疵点像素,而排斥零散的非疵点像素,减少了误检。本文方法使用公开的织物图像库进行疵点检测实验,并与目前较优秀的其它几种疵点检测方法进行对比,包括疵点检测结果的对比和评价指标的对比。实验结果表明本文方法对于不同类型的织物,以及不同类型的疵点均具有很强的适应性,且疵点检测评价指标也验证了本文方法的综合检测能力优于其它织物疵点检测方法。