疵点检测是无纺布生产过程中的重要环节。传统的疵点检测方法主要依靠人为的主观检测，随着数字图像处理技术的迅速发展和硬件产品的成本降低，采用基于机器视觉的无纺布疵点检测技术有成本低廉且检测结果迅速、准确的优势。因此利用机器视觉进行无纺布布面的疵点检测将成为发展趋势和研究热点，这对提高无纺布产品质量也具有重要的意义。　　本文针对实验室项目所使用的薄型用即弃医疗卫生用无纺布研究了具有针对性的算法。该算法着眼点主要有两点：一是保证检测准确率；二是具有较高的实时性：实际工业生产中，无纺布生产速度最高可达360m/s，因此对算法实时性要求极高。　　首先本文针对无纺布表面各种疵点的特点，从空间域角度进行分析，提出了两个改进的空间域检测算法：改进的最大类间差法和双峰法。这两个算法虽耗时较短，但达不到项目所需的检测精度，漏检率很高。为了改善空间域算法的不足，通过分析各种疵点在频域上的特性，发现不同类型疵点在不同频段上特点各不相同，故考虑采用具有多分辨率特性的小波算法检测疵点。从检测结果中可以看出，小波算法准确率较高，仅有2mm直径的疵点也能够较好的检测出来。但是算法耗时较多，实时性不够。为了改善算法的实时性，本文提出一种基于CUDA的并行计算方法，以小波变换为理论基础，在GPU平台上实现了无纺布疵点检测并行算法。该方法在GPU中同时执行多个线程，每个线程处理图像中的一个像素点，大大提高了计算效率。实验结果表明，基于CUDA的并行算法极大提升了检测速度，同时又保证了准确性。　　最后本文简述了无纺布疵点检测系统的整体结构，并详细介绍了疵点图片的数据库管理技术。并对该检测系统的性能提升方法做了设想，也对其未来可能的工业应用作出了展望。