织物瑕疵作为影响产品质量的第一因素,不仅大幅度降低产品的价值,而且直接影响消费者对品牌的信任。目前,国内的大多数纺织工厂仍然依靠人工目视的方式检测织物中的瑕疵,这种验布方式效率低,漏检率高,验布标准参差不齐,一定程度上影响了纺织行业的发展。传统机器视觉检测作为可替代人工检测的手段,虽然其在某些领域有成熟应用,但是面对复杂多变的布料瑕疵也是束手无策。近几年深度学习在机器视觉方面的快速应用为解决织物瑕疵检测带来了新的思路,可以利用深度学习强大的迁移学习能力扩大算法的应用范围。因此本文以深度神经网络为检测手段,针对织物瑕疵检测算法开发中存在的问题提出相应解决方案。在基于卷积神经网络的织物瑕疵检测中,针对织物瑕疵中的瑕疵大小差异大检测困难等问题,提出训练时对大瑕疵边缘进行分割,测试时将大图片进行重叠分割,进而实现大图片上的瑕疵检测;针对加深网络出现退化的问题,使用经典卷积神经网络做初始框架,根据训练结果,逐渐减枝,最终得到具有最大准确率的网络结构。将最终网络的检测结果与传统的织物瑕疵检测方法做比较,所提算法具有更高的瑕疵检测准确率。在基于改进的Sharp Mask织物瑕疵分割方法中,针对样本分布不均匀导致的训练困难问题,对比了随机选取像素点参与损失函数计算的训练方法和预设权值的训练方法对最终训练结果的影响;对比最大值池化和平均值池化下的织物瑕疵分割效果;对比横向连接中直接相加和维度相加方法对最终瑕疵分割的影响。实验发现采用预设权值和数值相加模式,训练速度更快,预测准确率更高,瑕疵像素召回率能达90%,而最大值池化和平均值池化分割效果相近。在无监督学习织物瑕疵检测方法中,针对训练集图片搜集困难的问题,提出无监督学习神经网络与传统算法结合的检测法。从正常样本中学习知识,根据学到的知识将瑕疵图像部分恢复,利用重构图像与原始图像的差值,检测织物中瑕疵。此方法以织物中常出现的线状瑕疵和面状瑕疵为检测对象,通过无监督学习网络,霍夫变换和形态学分析处理后,最终实现对线状瑕疵的检测率达到98%以上,对面状瑕疵检测率达到84%以上。这对于实际生产过程中的瑕疵检测,更具有应用价值。