纺织品外观检测和纺织品成份检测都是纺织品检测的重要组成部分,其检测指标决定了纺织品的质量,指导着生产工艺及生产方法。然而传统的人工检测方法耗时费力、效率低下,很难全面准确地记录纺织品的外观指标和成份组成。为此,针对纺织品外观检测本文提出了纺织品纹理结构重建方法,利用织物的多角度图像序列合成出织物轮廓的三维模型,为后续的测量、表征提供了依据;针对纺织品成份检测本文提出了高光谱成像分析技术,在获取织物的高光谱图像后对图像进行分析,建立相应的模型对织物按照成份组成进行分类,以完成对织物成份的检测。本文首先从纺织品外观检测和纺织品成份检测两个方面概述了近几十年来国内外的主要检测手段和检测方法,并提出了传统检测方法的不足。其次介绍了三维重建和高光谱成像技术的发展背景和当下在各行各业的应用情况,根据纺织品的特点提出了将新技术引入到纺织品检测领域的优点及创新点。本文根据纺织品的特点自行搭建了一套多角度图像采集平台,利用单台相机获得织物表面多角度纹理图像9张,经过相机的标定得到相机内外参数及空间位置,而后利用提取到的特征点匹配完成多张图像信息的精准匹配,最后利用点云分块、纹理映射、图像填充完成织物表面模型的重建,并对重建得到的模型进行分析,结果表明还原得到的模型整体精度较高,但针对毛羽较多或支数较高的机织物还原效果仍有待提高。此外还搭建了一套纤维成分高光谱识别系统,包括硬件设备和软件支撑平台。在对8种纯纺织物分组采集多张织物高光谱图像后,在对高光谱图像进行预处理之后,根据成份组成将图像按照1:3的比例分为校正集和验证集。而后利用连续投影算法(SPA)和主成份分析法(PCA)提取各图像的特征波段,并基于最小二乘法(LS-SVM)和最近邻算法(KNN)建立分类器。最后将两种方法提取到的校正集特征波长导入分类器中进行训练,再利用完成训练的分类器对验证集进行分类。分类结果表明利用两种方法的识别率均在98%以上,其中基于连续投影算法和最小二乘法支持向量机(SPA-LS-SVM)建立的分类器效果更好,识别率为100%。结果表明纺织品纹理结构重建和纺织品高光谱成像分析都有较高的精度,能够代替传统的纺织品外观检测和成份检测方法。