目前，纺织品质量是提高织物市场竞争力的重要保障与前提，因此，在纺织工业生产的过程中，坯布的疵点检测环节显得越来越重要。在传统验布过程中，疵点检测大多是由工人用肉眼完成的，这种作法不仅存在着效率低，精度差，漏检率高等缺点，还会受到诸多因素的影响。本课题在相关科学技术飞速发展的基础上，潜心研究国内外现有的织物疵点检测算法，提出并验证了基于线阵CCD的坯布疵点检测算法。该算法分为三个部分：其一是针对于TCD1206SUP的线阵CCD控制时序算法；其二织物的特征提取算法；其三是疵点分类检测算法。以上三部分均可应用于坯布疵点检测系统中，使检测系统的图像采集和图像处理模块能更好的协调工作，使得系统实时性和疵点分类精度都得以有效的提高。本课题所做的主要工作有：第一，依据本课题的设计要求，选用了TCD1206SUP型线阵CCD，针对其驱动时序脉冲特征，在FPGA模块化设计的基础上，采用VHDL硬件描述语言，完成了TCD1206SUP型线阵CCD的驱动脉冲的设计；第二，利用数字图像处理的一些相关技术，经小波分解和重构等一系列变换后，提取了织物经纬细节图像能量、熵、方差、对比度和极差5类统计特征参数；第三，重点提出并对比验证了一种改进的坯布疵点分类方法，即基于CART树特征选择的BP神经网络分类算法。该方法对比传统的BP神经网络坯布疵点分类算法，先运用CART树对多个织物疵点特征进行特征选择，提取出区分度较高的特征，使特征参数得以降维，再通过降维后的特征对BP神经网络进行训练，从而达到疵点分类的目的。与传统单一的BP神经网络疵点分类算法相比多了CART树特征选择这一步骤。经过验证，该方法对于提高分类速度和精度，减少网络训练循环次数等方面都具有显著的效果。