印染产品的色泽对产品的品质具有极其重要的影响,但在许多印染企业配色技术严重依赖配色技师的人工经验,配色品质不能稳定的得到保证。当前市场对印染产品的需求也变得更倾向于为小批量、快交付。这些变化大大增加了印染企业的配色环节工作量和成本,印染企业迫切需要使用更高效可靠的计算机配色方法来应对市场的变化。传统的计算机配色方法多是基于Kubelka-Munk单常数理论的三刺激值配色法,此方法需要在使用前制备坯布在单只染料各档浓度下染得的光学数据库,在假定染料混合时互不影响的情况下,通过固定公式计算得到配方。这个过程耗时过久且通用性不足,加之染料混合之间关系复杂,传统配色方法难以满足目前对织物染色中配色的要求,印染行业需要新的高效简洁的配色方法。BP神经网络具有良好的非线性映射能力,能够通过对教师样本的学习而后映射出配色处方与其所染得的织物的光学值之间的复杂非线性关系。本文首先比较分析了现有计算机配色方法的原理及特点,提出了新的利用BP神经网络实现配色处方预测的方法。接着介绍了BP神经网络的原理和运行机制,从理论上分析了其优点和缺点,并针对BP算法易陷入局部极值的固有缺陷提出使用遗传算法进行优化。在建立神经网络模型的过程中介绍了与配色相关的颜色视觉和颜色计量相关知识,解决了在计算机配色中颜色如何表征的问题,然后利用经验公式并在考虑实际应用的情况下推算出所需教师样本数,并指出采集样本时尽量减小样本噪音的原则,再后利用经验公式和实验相结合的办法确定神经网络的结构。第四章先介绍了遗传算法的原理,并利用该算法来确定神经网络的初始权值、阀值和学习速率,该方法减少了神经网络开始运行时相关参数的随机性,有利于神经网络收敛速度变快、提高预测能力,进而得出更好的预测值。最后利用测得的教师样本集,分别对多种神经网络进行了实验,实验结果表明了此遗传算法优化的BP神经网络算法在计算机配色方法中的有效性和可靠性,对比BP神经网络的实验数据也表明其收敛速度和配色处方预测能力优于BP神经网络。此配色方法解决了传统计算机配色方法中需要单独制作庞大基础色样的问题,为计算机配色方法增加了新的方向。