在纺织行业,提高生产效率、降低成本是企业生存的关键,而织物组织结构自动检测是纺织品设计及高精度编织生产的必要基础,但是传统视觉检测方式费时费力、效率低,无法满足企业生产低成本及高效率的要求。因此,将数字图像处理及计算机视觉技术引入织物组织结构的分类与识别,以实现纺织制造业的自动化及智能化生产。本文以平纹、斜纹和缎纹三种机织物组织为研究对象,运用计算机视觉技术,分别从分类和识别两个方面对机织物组织结构进行分析研究。一方面,对织物组织纹理结构进行分类。首先,采用中值滤波、直方图均衡化等算法对织物图像进行预处理,滤除图像噪声并提高对比度。进而用灰度共生矩阵和Gabor滤波两种方法获取图像的全局及局部纹理特征信息。而针对维数较高的融合特征向量,运用经典的主成分分析算法去除特征向量的冗余信息,实现特征向量的降维。最后,利用概率神经网络分类器对低维特征向量进行训练和测试,实现对三种基本组织(平纹、斜纹和缎纹组织)的自动分类。实验结果表明,本算法能准确有效的分类织物组织结构,并获得较好的分类效果(95%)。另一方面,对织物组织纹理结构进行识别。首先,运用滤波、直方图均衡化、高低帽变换等算法滤除图像噪声及增强织物纱线的对比度。然后,用灰度投影法定位纱线间隙并对组织点进行分割以获取织物组织点。进而根据提取的组织点的灰度共生矩阵特征向量,用无监督的基于核的模糊C均值聚类对组织点进行聚类识别,并根据经组织点具有相对较高的灰度均值特性,鉴别组织点的属性,获取初步识别的组织图。最后,采用改进的距离匹配函数获取织物组织的循环单元对初步识别结果进行纠错,从而得到更为准确的识别结果。实验结果表明,本算法能准确有效的识别织物组织纹理结构,并输出准确的组织图。本文对织物组织结构实现了自动有效的分类及识别,对纺织品的再生产及检测有较大的理论意义与应用价值。