Debido a la gran demanda de producción textil en China, la detección de defectos en telas resulta particularmente atractiva. En la actualidad, un número creciente de métodos supervisados de aprendizaje profundo se están aplicando en la detección de defectos en la superficie. Sin embargo, la anotación de conjuntos de datos en entornos industriales a menudo depende de inspectores profesionales. Además, los métodos basados en aprendizaje supervisado requieren mucha anotación, lo que consume mucho tiempo y costos. En este artículo, se empleó un enfoque basado en la comparación de características propias (SFC) que localizó y segmentó con precisión imágenes de texturas de tela para encontrar anomalías con aprendizaje no supervisado. La arquitectura SFC contenía el módulo de reconstrucción de características propias y la destilación de características propias. La localización y segmentación precisas de anomalías de fibra se generaron en base a estos dos módulos. En comparación con los métodos tradicionales que operan en el espacio de imagen, la comparación del espacio de características puede localizar mejor las anomalías de las superficies de textura de fibra. Se realizaron evaluaciones en tres bases de datos públicas disponibles. Los resultados indicaron que nuestro método se desempeñó bien en comparación con otros métodos, y tuvo una excelente capacidad de detección de defectos en las imágenes textiles recopiladas. Además, los resultados visuales mostraron que nuestros resultados pueden ser utilizados como una etiqueta candidata a nivel de píxel.