随着纺织工业对于布匹生产效率和品质的要求的增长,人工检测已越来越难以满足其的发展需要,目前已有的检测方法存在着成本高、召回率低和精准率差等问题,因此开发出一套高效的自动化检测的技术迫在眉睫。基于图像识别的布匹瑕疵自动检测作为当前人工智能领域研究热点之一,能极大地提升纺织行业的生产效率和产品质量。本文针对常见布匹瑕疵的检测问题,围绕基于浅层特征的瑕疵检测方法,提出了一种多特征融合的算法;同时基于深度学习方法,针对两种典型网络Alex Net和Le Net进行了改进。首先,针对当前布匹图像特征的主流提取算法的特征表述存在不完善、数据冗余和特征表达能力有限制等问题,提出了基于Laws纹理特征和Gabor特征的词向量融合分类算法,提取图像纹理和空间上的点、线、边缘、能量等特征,并在单一特征提取方法和特征融合方法上进行对比实验。结果表明:所提出的多特征融合布匹瑕疵分类方法在布匹瑕疵分类的准确率和召回率上均达到了74.7%,相较基于Gabor特征的方法F1值提升了3%,较基于Laws纹理特征的方法提升了6.9%,能显著提升分类精度,较好地解决了布匹瑕疵固有属性特征表达不完整的问题。其次,针对传统布匹瑕疵检测算法召回率和检测率低的问题,提出了基于深度学习的经典网络Alex Net和Le Net的改进算法。在Alex Net网络上添加空洞卷积层增大感受野,通过实验表明,改进后网络在布匹瑕疵分类的准确率和召回率上平均值均达到了85%,提升了17%;在Le Net网络增加卷积层进一步提取特征,并引入卷积偏置来提高预测评估准确率,结果表明改进后网络在布匹瑕疵分类的准确率和召回率上平均值均达到了82.5%,提升了3%。改进后的Alex Net网络较融合特征的浅层学习方法F1值提升了14%,同时也具有较强的鲁棒性。最后,根据前两章对传统布匹瑕疵检测存在问题的相关讨论以及提出的相应算法,在不同数据规模大小的数据集上,将纹理融合分类算法和深度学习方法进行对比,实验结果有效地证明了在不同应用场景下,选择不同的布匹瑕疵分类算法从而取得最优效果。实验结果表明,在数据量小于800的情况下选择浅层特征学习方法分类效果较佳,而当数据量大于800的情况下选择深度学习方法效果更优秀,该研究成果对往后不同数据规模应用场景下的方法选择研究具有重大的参考意义。