传统的织物配色技术主要有两种:三刺激值配色和全光谱配色。这两种方法都是基于Kubelka-Munk理论。由于该理论引进了一系列的假设,而实际染色过程只能部分满足这些假设,因此以此理论为基础的配色方法不能给出精确的染色配方,使得色差较大,很难满足各种复杂的生产需求。织物染色配色实质上是一个复杂的非线性求解问题。由于神经网络是进行非线性过程建模的有效手段,因此,很多科研人员开始尝试将其用于计算机配色方面并取得了一定的成果。但是利用神经网络建模还存在着许多待解决的问题,如神经网络的泛化问题和局部极小值问题。为了克服现有织物配色方法中的不足,本文将数值分析和支持向量机思想引入到织物染色计算机配色过程中,并对这两种方法进行了对比研究。基于数值分析的织物染色配色方法,研究了单色小样三刺激值XYZ与其浓度之间的规律,建立了三拼色数学模型,然后通过进行最小二乘拟合并使用Newton-Krylov算法,实现染料浓度的求解。实验数据证明该方法精确度高于传统的BP网络配色法,基本上满足配色要求。在对织物染色配色规律进一步研究的基础上,将支持向量机回归算法用于计算机配色。支持向量机是一种基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。本文讨论了支持向量机回归方法(SVR)在织物染色配色过程中的应用,通过交叉验证选用RBF函数作为支持向量机的核函数,并采用粒子群算法进行支持向量机参数的优化,取得了较好的效果。预测结果表明,在对织物染色配色建模过程中SVM比基于数值分析的计算机配色方法以及BP神经网络模型更实用,更有效。本文提出的两种方法为织物染色计算机配色提供了新的思路,具有一定的理论研究价值和实际应用价值。