随着纺织业的飞速发展，纺织品的质量控制成为行业关注的焦点。在当前的纺织企业中，织物的检验仍然以传统的人工视觉检验方式为主。这种人工检验方式检测效率低、精度差、成本高，无法满足纺织业现代化发展的需求，已经成为了制约纺织工业发展的重要因素之一。纺织装备的自动化、智能化成为纺织工业的发展趋势。机器视觉检测具有非接触、高速度、高精密、高智能的特性，本课题将机器视觉应用到纺织品检测领域，分别从硬件系统、软件系统、图像处理算法等方面对织物表面质量检测的方法进行了研究，以提高织物检测的自动化程度和工作效率。主要的研究内容和成果概括如下：　　对织物在线检测系统进行了软硬件方案的设计。对硬件设备的选型及软件流程的设计进行了分析和论证，并搭建了实验平台。考虑图像采集过程中的各种干扰，研究了图像去噪、图像增强等预处理算法，提高图像质量。针对图像采集过程中出现的图像倾斜，利用 canny边缘检测方法得到织物经纬纱线的边缘信息，并使用Hough变换检测纱线倾斜角度，最后对图像进行倾斜校正。　　研究了基于二维小波变换的织物密度检测算法，实现织物密度的自动检测。首先利用自适应小波变换对织物图像进行正交分解，分别获得织物的经纬纱线子图像，再对子图像进行形态学处理来获得理想的经、纬纱密度信息，自动计算出织物经纬密度。最后，通过实验验证了小波变换检测织物密度算法的可靠性与适用性。　　研究了基于灰度共生矩阵和神经网络的织物瑕疵检测算法，实现织物瑕疵的检测与分类。利用灰度共生矩阵方法描述织物纹理，对织物图像分别提取能量、熵、对比度等纹理特征。针对不同的织物瑕疵，设计了改进神经网络分类器，将得到的特征向量输入神经网络进行训练。最后，对常见的几类织物瑕疵进行了检测实验，验证了算法的可行性和有效性。