在织物布匹生产过程中,由于机器设备故障和人为因素,无法避免出现断经、污渍、拖纱等问题,这就需要对织物进行检测。由于现今的织物瑕疵检测算法仍存在误检率高和检测率低的现象,所以需要设计出具有高检测率、低误检率、实时性高的织物疵点检测算法。本文以正常类型织物样本和常见的织物疵点类型为研究对象。提出了基于深层特征融合的SRC-CNN织物疵点检测算法和基于Fisher准则的深层卷积神经网络织物疵点检测方法。本文主要的研究工作和成果概括如下:(1)基于深层特征融合的SRC-CNN织物疵点检测算法。在有限的已经被标注织物疵点样本量情况下,首先,利用迁移学习理论对AlexNet模型进行改进设计出13层的卷积神经网络结构。其次,在基于迁移学习的卷积神经网络模型上提取织物疵点的深层特征,并进行深层多特征融合。最后,将稀疏表示分类框架应用至深层多特征融合中进行分类表示。实验结果表明:在有限的黑色织物数据集上分类率为95.34%和误检率4.95%;在有限的粉色格子织物数据集上的分类率为94.56%和误检率5.76%。该算法与流行的网络模型和传统算法相比分类率得到提高,且误检率下降。(2)基于Fisher准则的深层卷积神经网络织物疵点检测算法。为了解决卷积神经网络模型的复杂度高和运行时间过长的问题,引入深度可分离卷积对Vgg16模型进行改进设计出小型的深层卷积神经网络(DCNN)。此外,为了进一步提高织物疵点分类准确率,则对DCNN网络模型的softmax层增加Fisher准则约束,减小类内距离和增大类间距离,并不断更新整个网络参数。实验结果表明:在TILDA数据集上,网络参数量、运行时间和分类准确率分别为1.8百万、1375秒和97.89%。在彩色格子数据集上,网络参数量、运行时间和分类准确率分别为1.8百万、1737秒和98.16%。该算法可以大大地减小网络参数量、降低运行时间和提高分类准确率。本文基于深度学习算法相关理论,对织物疵点检测方法展开了研究。一方面有助于织物布料的质量得到进一步的提高,另一方面增强了纺织品出口的竞争力,对社会和经济具备着重要的意义。