对于纺织企业来讲,提高生产效率、降低生产成本是其重要目标,但保证织物产品的质量是实现这一目标的前提。尽管现代先进的纺织机械能够有效降低织物产品瑕疵的出现,但其制造工艺中造成的各种瑕疵依然无法避免。目前,织物瑕疵的检查任务大多由人工完成,这种劳动密集型工作并不能保证产品的一致性评价。针对织物瑕疵检测方法中存在的问题,本文以机器学习和计算机视觉为基础,提出一种基于深度学习的织物瑕疵小目标检测技术,实现对织物瑕疵的实时检测和准确定位,能有效提高织物瑕疵的检测精度和效率。本文的主要工作包含以下几点:(1)搭建图像采集平台,实时采集织物瑕疵图像,并对采集到的图像预处理操作,构建织物瑕疵数据集。(2)针对SSD模型和DSSD模型在目标检测应用中的弊端,对两种网络做出改进,并提出一种基于深度学习的多尺度特征融合MFDSSD(Multi-scale Fusion Deconvolutional Single Shot Detector,MFDSSD)织物瑕疵小目标检测方法。将多层特征提取和融合策略集成到MFDSSD网络中,并对SSD网络的先验框进行优化,提升模型对小尺寸瑕疵的检测能力。对网络进行训练和测试,实现快速、稳定的织物瑕疵特征提取和检测。(3)设计对比实验,分析MFDSSD模型在不同织物类型中的检测性能。建立模型的评估体系,并与常用的目标检测算法在不同的织物数据集中进行对比,得到评价结果,验证算法的可靠性。实验证明本文提出的MFDSSD算法对织物纯色布和印花布小瑕疵的平均检测精度分别为82.8%和74.1%,检测速度分别为52FPS和46.2FPS。实验证明MFDSSD算法在检测时间和定位准确度上实现了平衡。(4)设计织物瑕疵检测软件系统,包含在线检测和离线检测两种模式。系统可以实现图片采集、图片预处理、瑕疵检测等功能,并能保存检测结果。本文提出的MFDSSD算法能检测多种形状和背景的织物小瑕疵,有效减少漏检和误减数量,结合软件系统的使用可以帮助织物制造商提高产品质量。