织物瑕疵检测是纺织品生产过程中的重要一环,织物瑕疵是影响织物品质的重要因素。目前,织物瑕疵主要依靠检测人员借助简单的工具来完成,这种传统检测手段完全依赖人工经验,识别效率与准确度已经逐渐不能满足企业自动化、智能化的生产需求。随着计算机技术与机器视觉、图像处理技术的不断进步,为了改善劳动力生产环境、提高生产效率、降低生产成本,在织物工业生产中的瑕疵检测阶段采用瑕疵自动识别技术是必然趋势。本文主要从纹理分析的角度出发,利用织物表面瑕疵纹理与背景纹理之间存在的差异进行织物瑕疵检测。首先,本文对织物中常见瑕疵进行描述分析,将常见的瑕疵划分为四大类。分析比较了几种常用的图像预处理手段,如空间滤波、双边滤波、导向滤波、L0范数滤波以及灰度值形态学等方法,通过峰值信噪比（PSNR）及运行时间作为其性能指标,量化评价出其中合适的预处理方法,实验证明该方法能够在抑制织物表面干扰信息的同时保留其关键纹理信息。然后,分析了织物表面纹理特征,根据纹理循环单元的尺寸将织物进行子图像划分。通过灰度共生矩阵（GLCM）以及轮廓波变换（CT）两种方法分别对划分好的子图像进行纹理特征的量化提取。基于以上两种纹理特征提取方法,本文提出了一种新型的基于冗余灰度共生矩阵（R-GLCM）的特征提取方法。该方法首先将图像在不同尺度上进行分解形成图像冗余,然后对冗余图像进行灰度共生矩阵的特征提取。通过后续实验表明,三种方法对图像纹理的特征表达十分有效,本文提出的方法具有更多特征量以及更好的区分度。最后,着重对线性判别分析（LDA）以及BP神经网络两个分类器进行了对比研究。使用LDA算法对不同方法提取到的特征进行特征降维以及识别率的求取,找出每种特征提取方法下的最优特征组合;对于BP神经网络,通过进行多次对比实验确定了其网络结构,构建出针对织物瑕疵分类性能优异的多层感知机（MLP）。使用不同方法提取到的特征分别对该网络进行离线训练和测试,实验得出本文提出的织物瑕疵检测方法对瑕疵的识别率达到97.3%。