随着时代的进步,人们对衣着的追求不再只是关注款式,更加注重衣着面料的手感和风格。面料设计者希望通过织物的结构参数快速了解织物的风格,从而简化设计步骤。本文通过对不同神经网络模型的织物结构参数与织物主观风格双向预测性能进行比较,提出了基于数据融合理论的集成神经网络模型。本文选择纱线细度、织物密度、重量、幅宽和组织等结构参数以及主色调、肌理、花型、悬垂、光滑、光泽、柔软、透明等织物的主观风格评分作为神经网络的输入和输出。通过对上述指标进行数据清洗、统一量纲以及数据归一化等预处理,使其适合神经网络的运算。本文分别采用径向基函数(RBF)神经网络和反向传播(BP)神经网络对织物样本进行预测。由于两种不同的神经网络对同一织物会产生不同的预测结果,本文提出了基于数据融合理论的算术平均法的D-S模型、证据关联系数的加权平均组合模型和误差方差的加权平均组合模型,将两种神经网络预测的数据进行融合,有效地提高了预测模型的准确率和精确度。本文分别对采用织物结构参数聚类和根据纤维含量成分分类方式作为分类器的集成神经网络进行了研究,使用来自中国国际纺织面料及辅料博览会的556块面料进行验证,在结构参数预测主观风格时,采用聚类分类器的集成神经网络比单一神经网络的准确率最高提高了9.12%。采用纤维成分分类器的集成神经网络比单一神经网络的准确率最高提高了21.16%。