布匹的瑕疵检测是纺织工业中必不可少的环节,在布匹的生产过程中,不可避免的会产生不同种类的瑕疵,因此实现快速、准确的布匹瑕疵检测对于提高纺织工业的生产效率具有重要意义。目前大多数纺织企业主要依靠人工视觉的手段进行瑕疵检测,这种方式检测效率低且劳动强度大。使用深度学习的布匹瑕疵检测方法相对于传统的瑕疵检测方法有了明显的提升,但布匹瑕疵仍存在复杂花色背景干扰、小目标、极端纵横比、不平衡分类等问题,这会导致瑕疵检测识别率低、错检、漏检等情况频繁发生。针对上述问题,本文提出基于深度学习的布匹缺陷检测方法研究,主要研究内容如下:提出融合形变卷积和自注意力的素色布匹瑕疵检测方法,首先,提出了融合形变卷积的多尺度特征提取,有效缓解模型对不规则瑕疵特征提取能力不足的问题。其次提出了双通道特征融合,通过引入自注意力机制自适应的调整融合获得更为有效的瑕疵特征,从而生成新的具有强语义和精确位置信息的瑕疵特征图,提高了布匹瑕疵数据集中较多小目标瑕疵检测的准确率。最后,在候选区域阶段设计自适应边框生成器,指导生成更精确的瑕疵边界框,利于后续检测和回归,解决了布匹瑕疵数据集中部分纵横比悬殊的瑕疵（如吊经）无法生成紧密包围框的问题。经实验对比发现,提出的方法具有良好的检测效果,有效提升了素色布匹瑕疵检测的准确率和效率。提出双路高分辨率转换网络的花色布匹瑕疵检测方法,在特征提取阶段提出了双路高分辨率特征提取,消除复杂花色背景的影响,提取更清晰、更具有代表性的瑕疵特征,降低了布匹瑕疵中花色背景对特征提取的影响,去掉了与目标瑕疵无关的背景噪声。设计多尺度特征金字塔转换器,提取跨空间和跨尺度的多尺度特征,然后在候选区域阶段设计自适应边框生成器,利于后续检测和回归。最后,采用改进的聚焦损失降低了模型对瑕疵样本不足的敏感性,解决了对于少数类瑕疵样本检测准确率不高的问题。实验结果表明,该方法有效提升了花色布匹瑕疵检测准确率,优于目前主流的布匹瑕疵检测方法。