在工业印刷领域,基于机器视觉检测系统对印刷品颜色质量进行检测已成为一种应用趋势。机器视觉检测系统中数码相机采集到的是RGB颜色空间的图像,RGB颜色空间是设备相关的,不同的成像环境同一物体的RGB响应值不同,无法进行颜色质量的评价。使用机器视觉检测系统获取物体表面的真实颜色,需要将RGB颜色空间映射到设备无关的CIEL*a*b*颜色空间中。本文利用多通道成像数据,提出了基于CNN网络实现颜色空间映射的方法。同时根据工业印刷颜色质量测量标准,对中小规模样本下卷积神经网络的优化问题,提出了调整网络结构规模、引入随机森林、迁移学习三种处理策略。本文提出了基于CNN网络的光谱反射率重建模型建立RGB颜色空间到CIEL*a*b*颜色空间的映射方法用于颜色测量。该方法首先利用多通道CCD成像数据,基于CNN网络建立RGB颜色空间到光谱反射率的映射模型,然后再将光谱反射率转换到CIEL*a*b*颜色空间。最后使用色差和光谱反射率重建精度,以及重建结果一致性对颜色测量精度进行评价。仿真结果表明,同样基于光谱反射率重建方法,CNN网络模型比基于传统BP网络的测量模型精度更高,色差更小,因此基于CNN网络的光谱反射率重建模型能够更好地满足印刷品颜色质量检测要求。本文针对基于卷积神经网络的光谱反射率重建模型在中小规模样本下的优化问题,提出了调整卷积核尺寸与网络结构规模、卷积神经网络-随机森林混合模型设计、迁移学习三种处理策略。其一为通过调整卷积核尺寸大小,以及网络结构规模,验证网络模型的拟合性能。其二为利用卷积神经网络提取样本数据特征信息,并提供给随机森林用于建立模型。其三为利用迁移学习方法,先使用House Price数据集预训练一个卷积神经网络模型,然后再用多通道RGB响应数据对该模型微调。仿真实验表明,三种处理策略都对测量模型具有重要的影响,可以提升模型的颜色测量精度。