纺织业在中国是一个劳动密集程度高的产业,中国是世界上最大的纺织品服装生产和出口国,因此纺织业对于布匹质量检测是十分重视的。但目前,大多数企业在布匹生产过程中依旧采用人工检测方式,然而这种检测方式存在检测速度慢、准确率低、劳动强度大等缺点。鉴于上述原因,纺织业采用深度学习技术来实现布匹自动化检测,但依然存在以下两个问题:一是在拍摄过程中布匹在传送带上会产生运动模糊。二是对于布匹图像中面积占比小的瑕疵检测难的问题。因此,本文研究了一种基于深度学习的去除运动模糊与布匹瑕疵检测算法。本文的贡献具体如下:1.针对布匹图像采集和传输过程中易引入大量运动模糊,进而导致图像内容信息丢失、边缘轮廓扭曲等问题。本文提出了一种基于空洞卷积和注意力机制的去模糊算法。首先针对内容信息丢失的问题,在网络的残差模块中引入级联空洞卷积通过增大网络感受野来加强对布匹图像的特征提取,有助于网络关注更多上下文信息;然后为了更好提取局部细节信息网络采用自注意力机制模块,该模块能够抑制其他无用的信息,使网络可以更好地提取布匹图像的局部细节信息;最终通过端到端的方式对布匹图像进行去模糊。实验结果表明,与现有的图像去模糊算法相比,本文算法在客观指标（PSNR,SSIM）呈现出较好定量结果。2.针对常规单阶段检测器检测布匹图像中小目标准确率低的问题,提出了一种融合注意力机制和自适应特征金字塔的YOLOv5s检测算法。首先,在原有特征金字塔模块的基础上引入了自适应特征融合模块,该模块可以通过分配特征权重的方式使网络能够更好地提取不同尺度融合后的特征;其次为了减少细节信息的丢失,引入注意力机制（Transformer）使网络能够关注有用的信息,加强不同网络结构间信息的传递。实验结果表明,改进后的算法能够快速、准确地提高布匹瑕疵检测的定位精度。3.根据本文提出的算法设计了布匹图像去模糊与检测系统,系统拥有完整的功能界面,能够对布匹图像进行去模糊和检测操作。