纺织领域中,织物表面质量一直是影响产品美观和销售的重要因素,而表面缺陷检测是控制产品质量最为重要的步骤。长期以来,纺织产业中织物的表面缺陷始终是由质检员通过人眼观察检测,由于高负荷的劳动,导致质检员精神和身体承受着巨大压力,经常会由于注意力不集中而导致漏检和误检,可靠性难以保证。近年来,机器视觉在工业自动化检测方面越来越流行,针对织物表面缺陷检测,国内外相关学者已经提出了大量的检测算法,但其在准确度和使用性方面依然存在很多缺点。本文从四个方面介绍了研究内容:（1）在成熟的机器视觉检测框架之内,根据织物的表面缺陷检测任务需要,搭建了机器视觉检测平台;（2）针对织物表面频繁出现的缺陷类型“色点”,提出了一种快速检测方法;（3）针对常见的织物缺陷类型,提出了一种传统的机器视觉检测算法;（4）针对大规模、多类型的缺陷,提出了一种基于深度学习的检测模型。具体研究内容如下:（1）针对纺织企业生产中出现的点状缺陷,例如“色点”,开发了一种织物表面点状缺陷的快速检测方法。该方法主要由预处理和后处理两部分完成。首先,对图像进行滤波处理,目的是为了降低图像表面噪声点;其次,对前处理后的图像进行随机霍夫变换确定织物图像上点状缺陷的位置并返回圆心坐标,与人工检测结果比较,统计缺陷检出率。（2）针对断经纬、破洞、油污等常见缺陷,提出了一种基于L0梯度最小化和Kmeans聚类的缺陷检测方法。主要分为两个步骤,首先,使用L0梯度最小化将缺陷图像进行平滑,去除背景纹理的影响,保留图像较大的边缘。然后使用K-means聚类对平滑后的图像进行二聚类,从而分割出缺陷区域和图像背景。实验结果表明,该方法能准确的检测出织物缺陷。（3）针对不同类型的织物,开发了一种深度神经网络检测模型SE-SSDNet。该模型在SSD网络的每个预测层和特征提取层之前使用挤压模块提取图像的全局信息,接着对得到的全局信息做激发处理。最后,将通道权重和原始特征特层相乘得到最终的特征层。根据不同的权重值,模型对蕴含信息量大的通道注意力更高,从而可以简单高效的检测出织物表面缺陷。