纺织行业在现代国民经济发展中占有重要比重。提高纺织品质量检测水平对促进纺织工业转型升级,创造智能制造新优势具有重要意义。织物瑕疵检测是织物质量把控的重要环节,实现织物瑕疵的自动化检测已成为提高纺织品生产质量的关键之一。但目前织物瑕疵检测仍依赖于传统的人工检测,耗时费力且检测精度难于保证,严重影响了织物产品质量以及大规模生产的效率。因此,提高纺织设备的自动化、智能化水平已成为纺织工业发展的必然趋势。近年来,基于深度学习的计算机视觉目标检测方法在图像识别领域得到广泛的应用,相比传统算法体现出了明显的性能优势。因此,本文主要对深度学习在纺织瑕疵检测方面的应用进行了深入研究。课题以复杂纹理织物的瑕疵为研究对象,以提高复杂纹理织物的瑕疵检测精度为目的,分析了深度卷积神经网络在织物瑕疵智能检测上的应用价值,提出了两种不同的深度卷积神经网络框架对复杂纹理织物进行瑕疵识别与分类。本文主要贡献包括以下几个方面:(一)针对织物瑕疵检测中瑕疵形态各异,纹理背景干扰大等问题,提出了基于Faster R-CNN的织物瑕疵定位框架,实现对织物瑕疵的快速准确定位与识别。与传统织物检测方法不同,该模型直接利用RPN网络来快速计算织物瑕疵候选区域,然后采用softmax分类器对瑕疵进行分类识别,从而实现了端对端一体化的织物瑕疵在线检测。(二)针对深度神经网络随着网络深度增加容易出现梯度弥散的现象,提出了基于改进深层残差网络Cross Net的织物瑕疵检测方法。实验证明该模型不仅解决了深度神经网络随着深度增加容易出现梯度弥散现象的问题,而且在织物图像数据库上达到了97%以上的检测精度。(三)针对现实中织物瑕疵数据库不足,样本量少的问题,提出了基于迁移学习的网络训练优化策略。首先采用Pretrained+Fine-tuning迁移学习策略对Cross Net网络模型进行优化训练,再使用实验室织物瑕疵样本对其进行微调优化,从而大大提高深度网络模型的训练效率。