纺织布疵点是影响纺织布质量的重要因素。传统的纺织布疵点检测依靠人工完成，难以满足当前工业生产的自动化要求。目前，疵点检测领域的算法和系统研究大多基于传统的机器视觉方法，计算复杂，实时性难以保证。通过卷积神经网络处理图像数据在各方面都表现出了极大优势，本文来源于实际应用项目，将深度学习的方法引入到疵点检测中，基于目标检测框架YOLOv2提出了一种新的纺织布疵点检测方法并对系统进行了实现。　　在目标检测的背景下，本文将疵点检测准确率分为分类准确率和IOU两项指标来综合评价，并以Recall值评价分类准确率，用单张检测时间评价疵点检测实时性。针对纺织布疵点检测问题，本文设计了一个完全基于YOLOv2的算法框架Model1，并对Model1进行了定制化的改进设计，具体包括针对分类准确率的设计与针对IOU的设计。针对分类准确率的设计包括在Model1框架上加入浅层特征和运用soft-nms算法；针对IOU的设计则是通过运用k-means聚类得到anchor boxes的宽高比。基于上述改进设计，本文建立了Model4，并将Model4与Model1在疵点检测准确率上进行对比分析，验证了改进设计的有效性，确定以Model4来构建检测系统。　　本文详细阐述了Model4模型的网络结构和训练方法，实现了纺织布疵点检测算法，得到了纺织布疵点检测准确率以及实时性的测试结果，并与基于Faster RCNN的方法进行了对比。实验表明，本文所提出的基于YOLOv2的疵点检测算法和系统能够有效提取纺织布疵点特征，从而获得良好的检测准确率与实时性。　　最后本文对纺织布疵点在线检测系统进行了设计与实现，包括系统硬件设计、软件设计，重点阐述了软件的设计与实现。然后对本文工作进行总结，确定了本系统下一步优化的方向。