人类视觉系统可以快速的从复杂场景图像中获得显著区域，其主要原因是视觉选择性注意机制在起作用。通过模拟人类的视觉选择性注意机制建立视觉显著性模型，在没有先验知识的情况下我们也可以使计算机快速提取复杂场景中的显著区域。目前，人们已经提出了许多视觉显著性模型。这些模型从不同的角度主要对自然场景中的显著区域进行预测。但对于具有复杂背景的织物图像，这些模型的检测效果并不理想。织物图像与一般自然场景图像不同，其显著特点就是具有丰富的纹理信息，因此对织物图像的分析本质上就是对纹理的分析。一般来说，纹理能够有效的反映织物图像的特征信息，所以人们在检测织物图像时，首先需要考虑的就是纹理信息。对织物图像纹理特性的研究要一般从纹理的结构、粗细程度、均匀性、方向性和随机性等方面考虑，目前的算法对这些参数特征的提取普遍存在计算复杂度高、对噪声比较敏感等问题。对于布匹，虽然纹理多样化及疵点类型较多，但疵点在复杂的纹理背景中较为显著。利用人类视觉的感知机理，根据织物图像的特征，在已有显著性模型的基础上，提出适合织物图像的显著性模型，实现对具有复杂背景的织物图像中疵点的快速检测具有较大研究意义。通过对织物的纹理结构特征的分析，我们提出了基于纹理结构异常的织物疵点检查算法。该算法的核心思想就是基于像素的冗余性，得到表征织物图像全局结构特征的主邻域结构图。通过邻域结构图与主邻域结构图的差异定义像素的显著性。我们的算法的准确度较高。当图像的尺寸较大时，我们算法的运行效率会较低，不利于实时检测。对于以上问题，我们利用LBP算子和灰度直方图统计方法分别提取织物的纹理特征和灰度特征，提出了一种基于局部统计特征与整体显著性分析的织物疵点检测算法。该算法运行速度快，且不需参考样本，自适应能力较强，达到了在具有复杂背景的织物图像中快速检测疵点区域的效果。通过与已有视觉显著性模型进行比较，我们的算法更能有效地突出疵点区域；同时，分割结果与已有织物疵点检测算法相比，我们的算法具有更强的疵点检测及定位能力。