本文主要针对具有周期性变化图案的纺织品,研究对其瑕疵部分进行检测的算法。在传统图像处理领域,针对纺织品图像由于在拍摄生成的过程中存在的拉伸和旋转形变,提出一种图像校正方法,将不同程度变化的不规则图案校正为符合图像本身周期规律的整齐图案。在深度学习领域,在传统自编码器的基础上加入SSIM损失函数和高斯噪声项,以提高对图像的重构能力,用于将有瑕疵的图像重构为无瑕疵图像,以实现对瑕疵部分的识别。利用深度学习分类网络对图像内容语义分割的能力,尝试其对纺织品瑕疵检测的应用,并获得较好的成果。本文主要针对在纺织品瑕疵检测中的图像预处理,自编码器的图像重构和语义分割网络进行研究,主要研究内容如下:（1）图像校正方法的研究。针对纺织品图像存在的不同程度的形变对于图像中的单元分割产生干扰,研究一种基于Hough变换和透视变换的图像校正方法,将因为不同的旋转、拉伸、剪切等方式引起形变的不规则图案,校正为符合图像周期的单元图案。有利于进一步的图像分割和模板校正。同时也可以通过将原图像的校正,获得较为统一的纺织品图像形状标准。（2）图像分割和模板校正方法的研究。针对具有周期性图案的纺织品图像,底纹中的单元图案在水平与竖直方向上都有一定的周期规律。因此根据周期对纺织品图像进行分割,以单元的形式包含图案的信息,并对单元做进一步校正,以达到将整张图像分解为多个相同的单元格的目的。以单元格为单位,再进行特征提取和瑕疵识别,大大降低了算法的空间复杂度,并且单元格之间的相似关联性能够更好的区分出瑕疵部分与底纹背景之间的差异。（3）自编码器图像重构的研究。通过对有瑕疵图像中瑕疵部分是在底纹背景上添加的噪声这一本质性问题的分析,考虑到自编码器的图像重构能力可以将有瑕疵图像重构为无瑕疵图像。研究分析了几种传统自编码器的优缺点,并在其基础上做出了相应的改进,对于纺织品瑕疵图像做出针对性的调整,以适应瑕疵检测这一任务,并得到的了较好的实验结果。（4）不同语义分割分类网络的研究。针对纺织品瑕疵图像中具有不同种类的底纹图形和不同类型的瑕疵,尝试使用语义分割网络对纺织品图像进行分类,并同时识别出瑕疵部分做进一步的精度衡量。研究实现了Deep Lab V3+、GCN、PSPNet、Bi Se Net和ICNet的方法对纺织品瑕疵检测的应用,在分类准确率和瑕疵识别的精确度上都有较好的实验效果。