进年来织物配色理论发展迅速,而随着计算机技术的普及及深入,配色与计算机技术相结合是适应现代化生产的必然趋势。本文针对传统的BP网络在织物染色配色中的缺点,提出了一种参考隐层输出的改进算法,建立了一个计算精度更高、收敛速度更快的计算机配色网络模型。本文从色度学的角度分析了织物染色配色原理及色差产生的原因。目前计算机配色技术的理论基础是Kubelka-Munk理论,由此发展起来的配色方法有两种:三刺激值配色和全光谱配色,这两种配色方法都取得了很好的效果,但是因为三刺激值配色法只能求解三种染料的配色、全光谱配色法不能很好地解决K/S值与浓度之间的非现行关系,所以这两种典型的配色方法不能广泛应用与织物的染色配色。人工神经网络以其自学习自适应的特点,以及并行分布式存储、可以任意逼近复杂的非线性关系的优势,深受各个生产领域的欢迎。而在多种人工神经网络模型中,最值得研究应用的就是BP神经网络,即误差反向传播网络,通过数据的正向传输和误差的反向传播来完成训练学习,从而调整权值阈值以达到我们预期的目的。尽管BP网络有强大的非线性处理优势,但是仍有局限性:容易陷入局部最小点、收敛误差较大及泛化能力不强等,因此,本文提出了一种基于隐层改进的BP算法,即,将隐层的输出和输入层的输出同时作为隐层的输入,进而更精确地训练网络降低误差,并用MATLAB仿真实现,分别针对深色、中色和浅色不同色系的样本数据进行训练,并用训练后的神经网络模型对织物配色配方进行预测,通过仿真浓度输出值的对比,从训练的速度和精度进行分析,结果表明,基于隐层改进的BP网络性能较传统的BP网络有明显的提高,从而为计算机配色及其理论在织物染色配色中的应用提供了一个新的参考。