随着纺织工业的发展,仅依靠人工识别织物已不能满足日益增长的生产需求,因此越来越多的图像识别技术被应用于织物识别。织物图像识别是一种结合特征提取和特征学习的技术,对于提高纺织行业竞争力方面发挥着重要作用。但是现在流行的图像识别算法通常识别率较低,因为他们仅考虑织物视觉属性,而忽略了面料本身的面料特性,仅靠视觉属性无法完全描述面料。人类可以通过触觉和视觉两种感知方式认知世界,机器学习也可以从这种多模式感知能力中受益来提高识别率。本文为了解决织物识别精度低的问题,侧重从织物面料属性、触感特征和参数学习等方面进行织物图像识别的研究。首先,针对目前织物图像识别依靠面料属性单一,造成识别率不高的问题。本文提出基于几何度量和触觉感测的织物属性测量方法获得两种类型面料属性。该方法针对输入的织物样本,建立织物图像的几何测量方法,量化分析得到影响织物面料属性的3个关键因素,包括恢复性、拉伸性和弯曲性,并进行面料属性的参数化建模得到面料属性的几何度量。此外,通过传感器设置对织物进行触感测量,采用卷积神经网络(CNN)提取测量后的织物触感图像的自适应特征。该方法较为全面的从织物视觉和触觉两种感知维度来认知面料,避免了片面的去认识织物,能够有效应用到后续的织物识别中。其次,针对织物识别准确率较低的问题,本文提出基于面料属性和参数学习的织物图像识别方法。将面料属性几何度量与提取的底层特征进行匹配,通过CNN训练得到织物面料识别模型,以学习织物面料属性的不同参数。在AlexNet识别模型基础上,加入参数学习模块,完成对面料几何度量和触觉特征向量的配对,完成最终识别模型。最后实验结果表明该方法有效提高了织物图像识别的准确率和效率。最后,在前两部分方法研究的基础上,结合当前织物图像识别应用场景和用户需求,设计了基于织物属性和参数学习的织物图像识别系统框架,并实现了原型系统。该系统界面布局合理,功能基本齐全,识别结果准确,较好地体现该方法的有效性及实用性。