在纺织品生产过程中,织物表面不可避免地出现各式各样的瑕疵,然而这些瑕疵对于纺织品的质量有着极大的影响。目前工业场景下仍较多采用人工视觉检测方法,受主观影响,效率低下且容易出现误检、漏检导致准确率不高,难以满足当前织物疵点检测要求,迫切需要有效的织物疵点自动检测方法对纺织品质量进行管理和控制。基于生物视觉系统提出的视觉显著性方法可以快速地搜索并定位感兴趣的区域。卷积神经网络（Convolutional Neural Networks,CNNs）能够有效学习鲁棒性较强的特征,具有同时表征语义信息和纹理细节特征能力。随着全卷积神经网络的迅猛发展,已被越来越多的研究引入到视觉显著性中并进行建模。但由于织物图像纹理复杂,如何学习功能强大的特征并融合特征来获得显著性仍然是一个具有挑战性的任务。（1）提出了一种基于多尺度特征融合的显著性织物疵点检测算法。针对当前织物图像疵点与织物背景对比不明显造成织物疵点检测准确率低的问题,该模型采用Res Net-50为骨干网络,提取丰富的低层空间信息和高级语义信息。在视觉感受野的启发下设计了多尺度特征学习模块,进一步提取有效的特征信息。针对直接将特征信息集成导致信息冗余,设计了反馈注意力细化融合模块,在每个融合模块之间加入注意力细化模块,同时将第一次融合后的特征再次反馈给下一次融合过程中,提高了织物疵点的检测精度。实验结果表明,在织物背景与疵点对比度低的情况下,仍然获得了较好的检测效果。（2）提出了一种基于双向推断网络的显著性织物疵点检测算法。针对织物细小疵点难以检测且通用性差的问题,本文提出了自上而下和自下而上相结合双向推断显著性的方法。自上而下的过程是在以Res Net-50为骨干网络的基础上,逐步使用更高级、更丰富的语义特征来推断高级显著性。单尺度特征无法捕捉不同物体的多尺度上下文信息,针对织物纹理和疵点复杂多样的特点,设计了自融合增强表示模块以生成有效的特征来解决尺度变化问题。该模块引入残差连接,打破了网络的对称结构,提升了网络的特征表示能力。为避免削弱侧输出多尺度特征中的有效信息,利用交互式特征融合模块以自下而上的方式对多层次由粗到细的显著性估计进行迭代融合,生成更好的预测图。实验结果表明所提方法实现了对小目标疵点的准确定位和分割,同时提升了算法的鲁棒性。（3）提出了一种基于改进VGG-16的轻量化显著性模型的织物疵点检测算法。首先构建轻量化骨干网络。将VGG-16的两个高层卷积块中的卷积替换成深度可分离卷积,实现了在不降低特征表示的前提下,减少参数。高层特征具有高级语义信息,引入跨层次关联模块,将骨干网络后两层的输出相结合,获得粗糙的初始显著预测,实现织物疵点定位。然后采用细化融合模块对低层次特征信息进行细化融合,最终获得精细的显著图。该方法以较少的参数量达到了与其他先进显著性检测方法相当的检测效果,降低了对系统内存和运算能力要求,为算法在工业现场实时应用提供了选择。