纺织业作为我国国民经济的传统支柱型产业,在繁荣市场、吸纳就业等方面发挥着重要作用。然而,受机械故障等多种因素的影响,作为纺织业重要中间品的织物在其生产过程中不可避免地会出现缺陷,而缺陷的存在极大地影响了织物的质量和外观。因此,在织物生产过程中进行缺陷检测,有助于提升织物品质,推动纺织业发展。针对人工缺陷检测效率低、一致性差以及劳动强度大等问题,本文以卷积自编码器（convolutional autoencoder,CAE）为基础,研究可用于快速检测织物生产线上多种缺陷的有效算法。具体而言,本文的研究内容主要包括以下几个方面:（1）针对缺陷图像获取困难且缺陷区域标注工作量大等问题,提出一种基于卷积自编码器的无监督缺陷检测模型。该模型仅需使用无缺陷图像对CAE进行训练,训练后的CAE因其网络参数只对正常纹理敏感而具有缺陷修复能力和正常图像重建能力,因此可根据输入图像和重建图像之间的重建误差进行缺陷检测与定位。此外,根据去噪自编码器的思想,提出一种用于进一步增强CAE缺陷修复能力的伪缺陷训练算法,有效地将模型的平均缺陷检出率由原始的90.28%提高至93.34%。（2）针对在伪缺陷训练算法中,CAE对缺陷修复的学习难度大及学习效率低的问题,提出一种基于特征相似性监督的缺陷检测模型。该模型通过在无缺陷图像和伪缺陷图像的相应特征图之间引入相似性损失,直接指导网络进行缺陷修复。多项实验证明了该模型可有效增强CAE的缺陷修复能力,最终将平均缺陷检出率提高至95.64%。（3）为同时减少CAE的参数量和计算量,提出一种可解码多尺度特征的轻量级特征图上采样模块,并基于此模块构建出一种可用于上述无监督织物缺陷检测模型的轻量级卷积自编码器。最终在模型缺陷检测性能只出现轻微下降的情况下,将网络的参数量和计算量分别降低至原始的26.8%和20.3%。（4）针对上述模型对织物缺陷的定位精度较低,以及网络轻量化使模型的缺陷检测性能轻微下降等问题,提出一种基于双U型网络的两阶段实时缺陷检测模型。该模型在CAE实现图像重建的基础上,通过设计并训练一个U型决策网络,实现基于重建误差图的像素级缺陷检测。最终,该两阶段模型不仅达到了96.62%的平均缺陷检出率和0.24%的平均误检率,还提高了模型的缺陷定位精度。此外,该模型具有较小的系统运行损耗和较高的实际检测速度,可快速检测织物生产线上的多种缺陷。