本文基于图像分割技术对织物疵点的检测与识别进行了研究。织物瑕疵是影响布匹质量的重要因素，所以疵点检测是织物生产过程中必不可少的环节。为了提高检测效率与准确率，应研究有效的检测算法应用到自动检测系统中。数字图像技术能够快速、直观地反映二维的信息体，正因为具有这些优点，该技术在军事、地质测量、卫星云图等领域都有较好的应用，且符合织物检测技术的要求。本文阐述了两类图像去噪技术：低通滤波去噪和小波变换去噪，以提高图像的质量为后续的图像分割打下基础。其次论述了两种常用的图像分割方法，阈值分割法和模糊C均值分割法。阈值分割法，顾名思义利用阈值对图像进行分割，通过选取合适的灰度阈值，把待分割图像分割为目标图像和背景图像，该方法原理简单且运算速度较快，在分割纹理相对简单的织物图像时能够获得良好的效果。模糊C-均值分割法是聚类图像分割中较常用的方法，该方法通过迭代计算将图像像素样本划分为C个类别，达到分割图像的目的。由于在计算过程中引入了隶属度函数，模糊C-均值算法克服了“硬”分类的缺点，能够获得较理想的分类效果，但该方法对图像中的噪音比较敏感，随着图像变大，数据样本增加，计算速度大大降低。然后，提出了一种基于改进阈值分割的织物疵点检测算法，该方法基于线性判别函数的思想，对波谷强调法进行了优化改进，优化后算法的思路是在求图像的最佳分割阈值时不仅要考虑类间方差，还考虑两类的类内方差。当类间方差尽量大而类内方差尽量小时，就获得最优的分割阈值，改进后的算法达到了正确检测出织物疵点的目的；提出了一种优化的基于模糊C均值的织物疵点检测算法，原理是先对图像进行预处理，然后将图像从像素空间映射到其灰度直方图空间，提高了运算效率。实验结果证明本文的两种改进方法得到了较好的检测结果。最后设计了识别织物疵点的BP神经网络，并选取测试样本对网络进行了测试，获得了良好的效果。