传统的织物染色配色方法存在精确度不高、效率较低等诸多弊端,这种方法已经无法适应如今印染行业小批量、多样式、交货快的生产需要。人工神经网络,尤其是BP网络的引入为解决这一类问题提供了新的手段。然而大规模的训练样本集加上BP网络本身的弊端导致了网络训练时间长、收敛速度慢,这些问题使BP网络用于织物染色配方的预测遇到了极大的挑战。为此,本文提出从BP算法本身的改进和样本集的聚类精简等两个不同的方面来提高基于BP网络的织物染色配色模型的性能。论文首先介绍了神经网络的基本原理和常用的网络模型——BP神经网络,针对BP算法本身的弊端,分析对比了两种不同的改进BP算法,综合考虑各项性能指标并最终确定用LM算法来构建BP神经网络织物染色配色模型。同时,结合色差原理和聚类分析原理,经过研究发现在Lab色彩空间下布料样本集属于可聚类结构,这为样本的聚类分析进而精简样本集奠定了理论基础。随后,根据训练BP网络的需要,先后进行了样本集的采集、色彩空间转换、聚类分析、标准化等工作,并最终确定了基于聚类的BP神经网络织物染色配色模型的教师样本和检验样本。接着给出了网络模型的具体构建过程。最后分别用基于动量的BP神经网络和基于LMBP的神经网络对聚类后的样本集进行训练,比较二者在网络的收敛速度和训练精度的性能差异;用基于LMBP的神经网络分别对全体样本集和聚类精简样本集进行训练,比较二者在收敛速度的差异;用基于LMBP的神经网络分别对随机选取精简的样本和聚类精简的样本进行训练,比较二者在泛化能力上的差异。结果表明基于样本聚类的LMBP神经网络模型能有效地提高网络的训练速度和泛化能力,较准确地实现对织物染色配方的预测。