织物染色的过程是首先需要从用户那里得到他们所需要颜色的布料小样，然后根据小样颜色由经验丰富、技术娴熟的配色人员进行打样。因此，配色的工作效率较低。针对于此许多织物染色配色技术就应运而生。传统的方法都是以Kubelka-Munk原理为理论基础的，这个原理是指光线在不透明介质中被吸收和散射的理论。美国的Park和Steams提出了色料混合公式，这为计算机配色奠定了数学基础。而在Kubelka-Munk光学理论的基础上，建立的计算机配色模式是三刺激值配色和全光谱配色。近年来，随着人工智能特别是神经网络理论的不断发展，其应用也更加的广泛。而神经网络中的BP网络在模式识别、图像识别、数据挖掘等方面都得到了十分广泛的应用，BP是一种强有力的学习系统，从信息处理的观点来看，BP网络是一类信息“映射”处理系统。由于BP神经网络具有通过样本学习完成任意空间映射的能力，所以它成为非线性系统建模、仿真、预测的工具。由于BP神经网络具有这些优点，因此本文将它应用于织物染色计算机配色系统中。在本系统中我们将小样的CMY值作为神经网络的输入，将染料浓度作为神经网络的输出，加上一个中间隐层，这样就建立了一个三层神经网络。但是由于BP神经网络的稳定性又与网络的初始训练值有关的缺点，因此，本文又将遗传算法引入以改进BP神经网络。遗传算法是一种非导数优化的随机优化方法，可以对一复杂的、非线性及不可微的函数实现全局搜索，而BP算法对局部搜索比较有效，因此为了使算法能很快的找到满意解，可以先用遗传算法对初始权值进行优化，在解空间中定位出较好的搜索空间。然后用BP算法在这些小的解空间中搜索出最优解。