纺织物的表面瑕疵检测是纺织业质量控制中的一个关键环节。传统的人工检测织物疵点的工作方式由于其检测效率低、工人劳动强度大、检测成本高等缺点已经不适合大规模生产以及消费者对产品质量越来越高的要求。基于模式识别、人工智能以及计算机视觉的织物疵点自动化检测技术和方法由于其检测精度高、检测效率高，成本低而替代传统的人工检测是大势所趋。现有织物疵点自动化检测技术各自有不同的优势和局限，学界对该领域新技术的研究方兴未艾以不断满足业界的更高要求。本文描述了作者在基于计算机视觉和模式识别技术的织物疵点检测领域所做的探索和研究并提出了一些新的检测方法。这些方法除了关注瑕疵的正确检测率以外还包括实时性、易行性、广泛性和抗干扰性。主要工作及成果如下：
　　1.本文在深入研究子空间聚类(Subspace Clustering)和字典学习(Dictionary Learning)的基础上提出了基于稀疏子空间聚类(Sparse Subspace Clustering，SSC)的织物疵点检测方法。考虑到没有瑕疵的织物纹理分布的规律性，其图像严格位于一个子空间。如果织物上有疵点，相对于织物正常纹理的全局性分布，疵点是局部的，是一个稀疏结构(Sparse Structure)。基于此，我们将织物的疵点检测问题模拟为一个包含稀疏异常干扰数据的子空间聚类问题模型。该方法通过利用稀疏优化程序和谱聚类对目标函数求解，将正常织物纹理信息聚类到相应的子空间中，同时分离出疵点的信息完成疵点检测。
　　2.本文提出了基于低秩表示(Low-Rank Representation, LRR)的织物疵点检测方法。无瑕疵织物的表面纹理有规律的重复分布满足低秩性。而织物表面存在的瑕疵在局部改变织物表面纹理而具有稀疏性。我们将有疵点的织物图像模拟成一个低秩矩阵与稀疏矩阵叠加的模型矩阵，然后对该矩阵进行稀疏低秩分解。把字典学习(Dictionary Learning)引入矩阵的稀疏低秩分解是更具广义性低秩表示。利用增广拉格朗日乘子法对目标函数求解后，可以得到稀疏矩阵可以准确地表示疵点信息以完成对疵点的检测。
　　3.为了获得更好的实时性和更高的检测率本文提出了基于矩阵分块联合特征值分解的低秩表示(low-rank representation based on eigenvalue decomposition and blocked matrix，LRREB)算法和基于此的织物疵点检测方法。如果织物图像很大或者分辨率高，基于低秩表示的织物疵点检测算法中涉及到对大矩阵的奇异值分解(Singular Value Decomposition, SVD)，这将导致计算复杂度高和硬件资源消耗大，不利于算法的实时性以及算法的硬件实现。在低秩表示算法的迭代过程中对大图像通过分块化等一系列的处理进行降维，然后将对表示原始图像的大矩阵的奇异值分解转化为对降低维度后生成的小矩阵进行特征值分解(Eigenvalue Decomposition，EVD)。改进后的算法的计算复杂度大幅度降低。实验表明算法在检测效果，检测效率，执行时间等方面均大幅提升，在现有的检测方法中领先。
　　4.在织物疵点检测中由于受到噪声或异常数据的干扰造成误检。为了有效抵御异常数据对疵点检测结果的干扰，本文提出了一种结合最大相关熵准则(Maximum Correntropy Criterion，MCC)和K-Means算法的鲁棒聚类方法，并将其成功应用于织物疵点检测的后处理。在传统K-Means算法的迭代过程引入最大相关熵准则中以消除或减弱异常数据的影响，结合加权最小二乘法对目标函数优化求解。实验结果表明不仅能将正常数据正确聚类，同时有效地消除异常数据对聚类效果的影响。我们将该算法用于织物疵点检测的后处理，将检测到的疵点聚类同时识别出干扰数据，实验表明在最终的疵点检测结果中，异常数据的干扰被有效消除，降低了误检率，提高了检测的准确度。
　　本文建立的模型和提的织物疵点检测方法在实际应用中还具有简便易行，应用范围广，限制条件少等特点，为提高织物疵点检测性能提供了新的解决思路和理论研究方法。