纺织品的质量对于纺织企业的重要程度不言而喻,而对于机织面料而言,其织物的外观质量检测是产品质量控制的重要环节。目前为止,我国织物疵点检测手段仍然依靠工人的肉眼检测完成,该检测方式需要消耗大量的人力资源且存在检测效率低及结果一致性差的不足。随着劳动力成本上涨及织造生产流程自动化、连续化程度的提升,迫切需要开发代替人工检测的织物疵点自动检测技术。由于纱线特有的力学特征,其交织所形成的织物产品并不呈现理想、稳定的周期性纹理,导致织物纹理背景建模困难;同时织物表面所呈现的疵点形状随机且通常与正常纹理存在相关性,尤其是经纬向狭长状疵点,大大增加了疵点区域的识别难度。现有研究中,常规的特征提取方法对疵点类型的适用性差,难以有效识别视觉上不显著疵点类型;而性能卓越的深度学习方法又需要大量有标签疵点的样本进行训练,实践上难以收集足够疵点样本,导致其深度网络模型难以发挥其最佳检测性能。受总变差去噪模型的启发,本文对基于总变差模型的织物疵点检测方法进行研究,着重解决灰度和纹理结构变化微弱的方向性及块状疵点检测精度低的问题,进而为不同场景的工业产品缺陷检测提供参考和借鉴,其主要研究内容如下:（1）针对目前织物样本疵点检测的问题进行了细致的分析与探讨,详细地剖析了该问题的难点所在,并使用常用的字典学习方法和SVD低秩重建方法进行了效果对比实验,发现SVD低秩重建方法的效果优于字典学习方法,然后对窗口大小及字典数量两个参数进行优化。选取SVD低秩重建的方法进行异常图的构建,根据参数优化的结果设置窗口大小为30,字典数量为6～8。实验结果表明:疵点异常图可以去除一部分背景,得到疵点,但是无法利用疵点异常图分割出理想的结果。（2）在（1）中算法得到了疵点异常图的基础上,针对织物样本图像表面呈经纬状分布的疵点样本,结合其在方向上特有的连续性属性,受总变差去噪算法的启发,将总变差算法应用于疵点分割,设计了一套基于连续性约束的经纬向疵点分割算法,并对权重值进行优化,提供了一种最佳参数确定的方法,实验结果表明:该分割算法能够利用所得到的最佳权重值对呈现经纬向且尺寸小异常不显著的疵点进行有效检测,结果稳定并且准确。（3）针对（2）中算法设计的不足,对于织物样本图像中呈现块状的疵点,利用其局部连续性及稀疏性的特点,设计出基于稀疏约束的模型、基于疵点保护的模型及基于局部变差的模型,综合讨论几个模型的优缺点并择优构建局部变差和稀疏约束、局部变差和疵点保护两种疵点分割算法,由于参数难以优化的原因选择局部变差模型进行实验验证,实验结果表明:局部变差方法能够有效地对块状疵点进行检测,对（2）中算法进行了补充。