色牢度是控制纺织品生产质量和检验纺织成品质量极为重要的指标[1]。在评定时基本沿用目测法[2],但该过程易受外界的环境及评判者主观因素的影响[3]。目前现有的解决方式是尝试采用仪器来测定实现色牢度自动评级[4],具有客观、稳定的优点,但由于取样单一、标准不一等各种客观问题,使得仪器法的评级方式未能在代替广泛目测法,测量的结果大多只作为人工评价的参考[5-7],且因为仪器操作复杂导致沾色评级时间过长,效率较低,所以亟待探索和研究一种更便捷的纺织品色牢度的辅助评级方法。本文采用深度学习对织物色牢度评级方法进行研究,实现了计算机技术与传统纺织检测技术的创新结合。主要思路是针对色牢度评级的场景与问题,先制作实验样本并拍摄采集图像,利用图像处理的技术对所拍摄图像进行整体处理和局部分割;在色牢度评级五级九等的多级别、每个级别较小样本量的实际条件下,利用合适的深度学习模型进行训练学习,并输出评级贴衬的评级级别;通过目光评级和仪器评级的实例,验证了本研究沾色色牢度评级的可行性和高效性。本文主要研究探讨了以下内容:（1）在收集纺织品色牢度评级后实验样品的基础上,对实际评级中所缺的评级样本进行实验补充,同时扩充样本量,制作每一评级级别的最浅、最深的标准样本,为图像信息化输入界定清晰的特征范围。（2）通过文献查阅和实际拍摄实验,确定合适的拍摄参数,拍摄获得完整沾色贴衬图像,并进行图像本身的多角度预处理以及沾色区域的图像分割等图像预处理;研究纺织品单纤、多纤沾色样品及其采集图像,总结组织结构和纤维材料对贴衬的沾色深浅带来的影响,由此对图像进行前期处理和特征提取,保证所获得图像的清晰性和准确性,从而减少深度学习输入端中无关因素的影响。（3）根据贴衬种类、评级等级和深度学习样本要求建立三级分类数据库,形成完整、丰富的图像信息体系,得到结构清晰、层次分明的数据信息库,为端对端神经网络学习奠定良好基础。（4）针对纺织品色牢度评级场景设计,拼接相应深度学习模块,以图像识别分类的方式给出评级级别。在超级深的卷积神经网络的探索基础上,创新性地在无监督学习中引入SPP、SVM等监督学习模块,解决评级过程中多级别分类、较少样本量、无法提取专家规则等实际问题,实现了对单纤沾色色牢度图像特征进行提取识别和对目光评级过程的模拟,操作简单;结合多纤贴衬中不同原材料对沾色颜色深浅的影响复杂、评级等级多的特点和对单纤沾色评级的分析总结,构建新的深度学习思路,创建等级监督学习和相应的算法、模块,实现了对多纤贴衬沾色评级场景的模拟,操作简便快捷。（5）进行纺织品色牢度评级实例和结果分析。对单纤、多纤沾色样品进行实际评级验证,通过对比计算机评级和目光评级、仪器评级的结果,在半级允差范围内,单纤沾色牢度的准确率达98%,多纤沾色准确度达90.12%,评级时间比仪器法所需时间短,因此准确度、效率较高。结果表明:所选择的图像处理技术对图像的增强、分割效果良好,对后续深度学习准确率的提高有辅助效果;在数据量较少、评级等级较多的条件下,深度学习对纺织品沾色试样色牢度的评级准确率达到90%以上,高效、客观且准确率高;利用创新模块无监督学习和等级监督学习的深度学习模型,对现有评级流程和操作无需变动,操作简便,评级结果稳定且不受主观因素的影响,效率较仪器法更高,实现了评级操作简易、准确,减轻工作压力,提高工作效率。由此可见基于深度学习的色牢度评级方法较为可行。本文研究结果参考价值较高,提出了纺织品沾色色牢度评级的新方法,改善了目前仪器法的不足,为代替目光评级提供了较好思路,拓展了深度学习在纺织领域的应用场景。