我国是人口大国,衣、食、住、行涉及到人民生活的方方面面,织物纺织属于传统的轻工业,是我国经济发展的重要组成部分。在日常生活中,织物随处可见,它是纺织行业中广泛使用的材料。在轻工业中,织物的生产成本往往和原始布匹的质量有关,原始织物瑕疵越多损失越大。将织物做成成品销售之后如果再发现瑕疵,那损失不止是织物本身的成本还包括人工成本等。所以在织物做成成品之前将其瑕疵识别出来尤其重要,大大减少经济损失。人工智能的飞速发展为织物瑕疵识别技术提供了技术上的可能。近些年深度学习的发展趋势正盛,国内外已有不少人将目标检测技术运用到织物瑕疵检测当中去。其稳定高效的特点在解放人工的同时大大提高了瑕疵的检出效率,有十分重大的经济应用前景和不可忽视的现实意义。本文在级联RCNN目标检测算法的基础上,对该算法进行改进,并将其应用到织物瑕疵检测实际场景中,完成织物瑕疵检测的任务。本文研究的内容有以下几点:第一,对数据集进行增强,通过裁剪、翻转、加噪、亮度变化等方法对数据集进行处理,将处理后的数据集按一定的比例划分为训练集和测试集。由于原始的网络默认的三种锚框尺度,并不能满足本数据集的检测需求,所以在对所有瑕疵进行纵横比的统计计算后,得到纵横比的范围,改进锚框,将其应用到特征检测过程中去。第二,在加入多种尺度的锚框之后,由于其在特征提取的过程中,固定锚框会损失一部分特征,为了提取到更多的特征,在网络头部就选择了Res Net101作为基础提取网络,并加入可变形卷积,在引入一个偏移量的基础上采用双线性插值法,增大了锚框对特征的适应能力,提取到更多的特征减少特征丢失或者不全。实验表明,加入可变形卷积之后,可以小幅地提高检测精度。第三,导致实验结果不佳的原因有:在原算法中采用的随机采样,出现了难负和易负样本不均衡。改用IOU均衡负样本采样方式可以同时注意到易难样本和其他样本。通过这种采样方式,该变了原有采样的整体分布,试每个区间的样本被采集到的几率都是相等的,在一定程度上均衡了易负样本和难负样本。而且该方法不增加系统的损耗,速度可观。第四,将改进的级联RCNN目标检测算法应用到织物瑕疵检测的过程中发现,如果有两个瑕疵交错在一起,模型有时候只能识别出其中一个,忽略掉另一个瑕疵,结果很不准确。针对这个问题,采用软非极大值抑制来替代原来直接删除的策略,提高检出率。实验结果也表明,软非极大值算法的应用有利于识别出交叠的瑕疵。最后,和其他算法相比,本文所使用的改进级联RCNN算法的比原始算法准确率提高4.5%,平均精度提升17.8%,对织物瑕疵检测效果有明显提升。