随着国际市场竞争日益激烈，产品质量已成为评判一个企业是否具有竞争力的重要指标，因而产品质量自然是企业生存和发展的根本。坯布疵点检测是纺织产品质量控制中不可或缺的重要环节之一。目前，国内纺织企业对疵点检测大都是采用人工检测来完成。因为人工检测容易受到人的主观因素、人眼视觉特性和识别能力限制等因素影响，往往造成检测效率不佳，同时，因人力成本的大幅度提高，必然导致生产成本大幅增加。计算机技术、机器视觉技术和图像处理技术的快速发展为疵点自动检测提供了重要的手段。基于机器视觉的疵点检测技术已受到国内外学者们的高度关注和重视。因此，本选题具有重要的现实意义和应用价值，并得到陕西省“13115”科技创新工程重大科技专项“坯布疵点在线自动检测系统核心技术的研发”资助。针对疵点分割算法的效率瓶颈问题，研究了坯布图像特征、基于脉冲耦合神经网络（Pulse Coupled Neural Networks，简称PCNN）的疵点分割算法以及并行化技术，并在多核处理器平台上，采用OpenMP多线程编程技术得到实现。具体研究内容包括：(1)研究了脉冲耦合神经网络模型，总结PCNN的基本特性，分析了其在图像分割应用中的原理；(2)经过对大量坯布图像的研究和分析，提出了一种改进的FVD特征提取算法，不仅减弱了坯布织物纹理及背景噪声的影响，而且增强了目标疵点特征信息，为后续的疵点分割奠定了良好基础；(3)针对PCNN参数多、计算复杂度高等问题，提出改进PCNN模型及其自适应分割算法，并通过实验对比和定量分析对改进算法进行了验证；(4)针对坯布疵点在线检测系统的实时性要求，研究了疵点分割算法的并行化方法，在多核处理器平台上，利用OpenMP多线程编程技术给予实现，对实验结果进行了对比和性能分析。经实验测试，结果表明本文方法达到了预期的功能，符合坯布疵点在线检测的准确性和实时性要求。该研究成果为基于机器视觉的坯布疵点在线检测研究提供了一定的参考价值。