纺织工业在中国工业中占有相当大的比重,其产品广泛应用于服装,建筑,甚至航空航天。在纺织工业中,产品的表面质量是影响其价格和等级评估的重要因素。传统的检测方法使用人工来检测表面缺陷,不仅速度慢,而且不能保证检测效果的一致性。近年来,随着深度学习在图像各领域的应用取得了成功,为织物疵点的高效、准确检测提供了新方法。语义分割网络可以捕获丰富的上下文信息,对于小目标图像可以进行相对精确、高效的分割,适用于小数据集,可以使用较少的样本进行训练并得到不错的效果,比较适合织物疵点检测。因此,本文采用语义分割网络对织物疵点检测技术展开了研究,主要研究内容为:（1）提出了一种基于两级分割网络的深度学习模型。首先,通过Re LU函数和批处理规范化技术实现了9层的全卷积网络,以对疵点进行分割;然后,针对连续的下采样会降低特征映射的分辨率,造成细节信息不全的问题,在分割部分添加了一个空洞空间卷积池化金字塔模块;最后,在分割网络特性的基础上提出了一个决策网络,把分割结果当作输入特征构建决策网络,以对疵点进行分类。在简单纹理数据集和复杂纹理数据集上对本方法进行测试,实验结果表明,本文所提方法对于简单纹理数据集的精确率、召回率超过90.5%和95.4%,对于复杂纹理数据集的精确率、召回率超过89.2%和86.1%。（2）提出了一种改进的U-Net分割网络的织物疵点检测方法。首先,针对织物疵点图像背景干扰过大,导致分割效果不够理想的问题,以U-Net网络为网络骨架,在其基础上结合了特征金字塔注意力模块,以更好地关注疵点信息,从而抑制不重要的背景信息,并重新设计了注意力模块的结构和嵌入位置;其次,在损失函数方面,由于单一交叉熵损失函数训练出来的模型会使得预测结果具有很大的背景倾向,所以,采用交叉熵损失函数与骰子系数损失函数（Dice）相结合的方式加以训练;最后,对所提出方法在织物疵点图像数据集上进行了实验对比。实验结果表明,所提出方法对于所采用数据集的精确率和召回率分别达到了77.8%和85.4%,对比原始网络均提高了,从而证明了本文方法的可行性。同时,对分割结果进行了可视化,本方法对织物图像中的疵点目标也达到了良好的可视化效果。