我国是纺织大国，纺织产业在社会经济中占有重要地位，其中织物质量是关键，织物疵点的检测更是重中之重。目前，绝大多数生产线还在用人工进行疵点检测，人工检测的速度慢、效率低，很容易受检测人员的主观影响而漏检和错检。随着机器视觉的发展，纺织行业也开始运用图像处理和机器学习算法，这些技术的发展使得疵点检测实现自动化，从而达到快速和高效的目的。
　　如今，国内外学者发表了大量的相关文章和研究成果，但是较为成熟的自动检测系统却很少，其区分疵点能力有限。因此，本文利用图像处理技术和深度学习算法对织物图像进行疵点检测和分类，具体分为数据增强、图像预处理、深度学习网络和模型的改进四个部分。
　　第一，对已得到的织物图像样本数据集进行数据增强处理，以便扩大数据集，同时对数据的丰富度进行增强，有利于模拟真实场景中的具体情况。
　　第二，图像预处理工作包括图像滤波和直方图均衡化等内容，以便达到对织物图像进行滤除噪声和图像增强的目的。
　　第三，选用卷积神经网络作为深度学习算法，利用深度学习算法对预处理过的织物图片进行分析和处理，利用卷积神经网络模型实现对织物图像中疵点的识别和分类。从而，获得了能够检测和分类织物疵点的网络模型。
　　第四，针对时间复杂度这一方面对卷积神经网络进行改进，减少其卷积核的数量，并增加其池化层的数量，对改进的网络模型重新进行训练和测试，分析模型测试结果，并评估该改进的网络模型。
　　本文主要采用图像检测的方法，对已拍摄的织物图像进行疵点检测。利用图像处理技术和深度学习算法对织物图像进行疵点识别和分类。采用卷积神经网络对织物疵点进行分类，并对模型进行改进，使其在运行用时方面也有显著地降低，具有较好的可应用性。最终得到的改进网络模型能够在保证较高的识别正确率的情况下用时更少。