纺织品瑕疵检测是纺织品质量监控的关键环节。视觉显著性可以模拟人类的视觉机制,快速定位具有显著性特征的目标,因此基于视觉显著性的纺织品瑕疵检测很有研究价值。本文研究对象为图案具有复杂周期性变化的纺织品,根据纺织品图像具有周期性的特点,利用图像的自相关性取得最佳分块模板,解决传统算法提取图像周期波动较大的问题。针对原上下文视觉显著性算法仅考虑局部显著差异性的不足,同时计算相邻像素块的全局和局部显著差异性。为了提高瑕疵与背景的对比度,在低秩分解模型中引入初始显著图和先验信息。为了处理更多的尺度信息,使用双颜色空间替代单颜色空间。本文针对图像的预处理、提取视觉显著特征等纺织品瑕疵检测的关键过程进行研究,主要研究内容为:（1）基于畸变校正与视觉显著特征的纺织品瑕疵检测方法研究。针对纺织品图像存在畸变扭曲的问题,首先根据纺织品图像具有周期性的特点,利用纺织品图像的自相关性取得最佳分块模板,对纺织品图像进行畸变校正,降低纺织品图像畸变扭曲对检测结果的影响。然后将纺织品图像分解为纹理层与卡通层,应用改进的上下文视觉显著性算法得到卡通层的显著图。最后利用区域生长法分割显著图,实现瑕疵与背景的分离,再用形态学方法消除细小的易引起误检的孤立点,完成瑕疵检测流程。实验表明,此方法对三种类型图案纺织品的瑕疵检测平均查全率达到了83.07%。（2）基于频率域视觉显著特征的纺织品瑕疵检测方法研究。针对纺织品图像的背景纹理对提取显著性特征存在干扰的问题,首先使用0L梯度最小化方法平滑图像的背景纹理。其次将纺织品图像以四元数图像形式表示,用一个颜色、强度和边缘特征组成的四元数来表示每个像素。利用二维分数阶傅里叶变换得到纺织品图像的显著图。最后使用区域生长法进行阈值分割,分离瑕疵与背景,再用形态学方法消除细小的易引起误检的孤立点,完成瑕疵检测流程。实验表明,与六种方法相比,此方法的平均查全查准效果更好。（3）基于带多先验信息的低秩分解与视觉显著特征的纺织品瑕疵检测方法研究。为了提高瑕疵与背景的对比度,首先构造初始显著图作为低秩分解模型的输入。然后融合局部和全局先验突出瑕疵位置。再将低秩分解后得到的稀疏部分表示为双四元素图像。最后利用四元傅里叶变换和多尺度高斯滤波生成多个显著图以保证检测结果的完整性。实验表明,此方法对三种类型图案纺织品的瑕疵检测平均查全率达到了84.89%。