在纺织品领域,印染纺织品的质量优劣会直接影响到纺织企业的整体经济效益,因此织物瑕疵检测在纺织品生产线中占据着不可替代的地位。目前,大多数纺织企业的瑕疵检测仍然需要人工检测,检测人员往往受到心情、疲劳度等主观因素影响。此外,纺织品种类繁多、疵点形状各异,导致检测难度进一步增大。为了适应现代化企业生产的需求,急需开发更加有效的瑕疵检测方法。现有的织物瑕疵检测方法主要通过分析瑕疵区域的特征来分析定位瑕疵。图像分块方法在现有织物瑕疵检测中有着广泛的应用。这些方法直接分割待检测图像,容易损坏图像中包含的特征信息。虽然将图像块大小设置为与周期模式相同可以一定程度上缓解这一问题,但其周期计算复杂,定位精度仍有待提高。同时,除图像分块方法之外,还可以将织物瑕疵看成目标,采用目标检测的思路去解决瑕疵检测问题。重点考虑到传统目标检测方法如何进行检测精度和检测时间之间的权衡问题。针对上述问题,本文提出了两类的织物瑕疵检测算法:（1）提出了一种基于图像金字塔和方向模板瑕疵检测算法,其检测过程分为模型训练和瑕疵定位两个阶段。在模型训练阶段,我们为不含任何瑕疵的织物图像构建金字塔。然后用SDCAE模型作为图像重构模型,通过从图像金字塔中随机提取图像块来建立训练集,使得图像块特征信息更加丰富、模型重构效果更加显著。在瑕疵定位阶段,首先将待检测图像分成若干块,然后利用改进的SDCAE模型进行重构。利用图像重构前后的结构相似性指标度量对瑕疵图像块进行粗定位,生成候选瑕疵块。随后,引入方向模板解决了由于织物生成环境、拍摄角度等因素引起的织物形变问题。选择待检测图像的方向模版集,对候选瑕疵块进行过滤,进一步降低算法的误检率。该算法无需计算周期图案的大小,适用周期和纯色织物瑕疵检测。实验结果表明该算法是可行的,与传统方法相比,该算法在PPV值、F-Measure值上分别平均提高了33%、26%。（2）提出了一种改进的基于Single Shot Multi Box Detector（SSD）织物瑕疵检测算法。在网络训练过程中,该算法使用VGG16基础网络提取特征,添加了八个卷积层作为附加的特征提取层,在额外特征层的所有卷积层之后添加通道注意力机制,以增加缺陷区域所在的特征图通道的权重。同时,通过利用织物瑕疵数据集的特征,调整了默认框的数量以适应更长的织物缺陷。实验结果表明,本文提出的方法ma P精度分别比Faster RCNN、YOLO V3和原始SSD高出4.8%、30.4%和3.3%,可以有效地实时检测不同质地织物的各种瑕疵。