在纺织工业中,由于织机的机械故障、机器部件老旧、用于编织的纱线存在缺陷、布匹被过度拉伸或者表面存在褶皱等原因,加工出来的织物表面往往存在大大小小的瑕疵,严重影响到纺织工厂的生产效益。因此织物瑕疵检测成为纺织工业质量控制的重要环节。为了满足织物瑕疵检测模型需要具备高检测速度、高检测精度、低人工成本的实际需求,本文将深度学习方法应用到织物瑕疵检测领域中,研究并设计出适用于多种瑕疵类型与复杂纹理背景图像的织物瑕疵检测算法。本文的主要工作与贡献总结如下:（1）结合自底向上路径增强结构的RefineDet织物瑕疵检测算法。为了实现快速、高效地定位织物图像上的瑕疵目标,使用强大的单阶段目标检测模型RefineDet作为基本网络架构,在网络头部结构设计并添加了自底向上的路径增强结构用以实现融合浅层结构特征与深层语义特征的功能,增加模型的“路径聚合”能力。此外,模型在图像预处理阶段、网络设计阶段以及后处理阶段分别结合Mosaic数据增强方法、通道注意力机制、DIoU-NMS等通用的优化方法与组件,研究并验证了这些最新的通用优化方法在织物瑕疵检测上的性能,为同领域的研究人员提供重要的参考。这种结合自底向上路径增强结构的RefineDet织物瑕疵检测算法能够在不影响模型高速检测的前提下,有效地提升了瑕疵检测精度。在公有的织物瑕疵检测数据集TILDA数据集、香港周期纹理数据库以及DAGM2007数据集上,所提方法的检测精度优于其他常见的目标检测模型。（2）基于深度卷积残差网络与类激活映射机制的弱监督织物瑕疵检测算法。为了满足织物瑕疵检测模型需要具备低人工成本的需求,设计了一种强大的弱监督织物瑕疵检测算法。首先,使用深度卷积残差网络ResNet-50作为特征提取网络,替代VGG-16与InceptionV3模型来训练更强大的织物图像分类模型。其次,在测试阶段使用类激活映射机制直接生成待检图像在各个瑕疵类别的得分图。然后,对得分图进行二值化、连通域分割,生成目标连通区域的预测框,得到最后的弱监督瑕疵目标定位结果。在训练过程中只使用到图像级别的标注,就可以在测试阶段直接完成目标定位任务,所提方法能够大大减少训练模型所需的人工标注成本,具有广阔的实际应用前景。