在织物制造过程中,会因为机械设备故障、纱线问题、杂物夹入以及人为等因素导致织物表面出现瑕疵,给纺织企业带来巨大的经济损失。可见,织物瑕疵检测是织物生产过程中极其重要的环节。目前,大部分纺织企业主要采用两种方式检测织物瑕疵,一是人工检测,这种检测方式存在准确率低、漏检和误检率较高且劳动力成本高的问题。二是基于机器学习算法检测,此类方法需要定义瑕疵特征,但由于织物瑕疵尺寸小,形状复杂且尺寸变化大,难以准确地提取其特征。卷积神经网络具有更强的特征学习和表达能力,近几年在工业领域得到了广泛的应用。为此,本文引入深度卷积神经网络用于织物瑕疵检测,旨在实现快速有效地检测出织物表面存在的瑕疵,主要从以下三个方面展开研究:（1）研究基于卷积神经网络的织物瑕疵识别算法。首先,为解决数据集中瑕疵类间样本不均衡问题,提出了有效的数据增强策略,并采用迁移学习解决了织物瑕疵样本数量少的问题。然后,由于多个类别的织物瑕疵呈现细长状且形状多变,而传统卷积对此类目标的识别效果较差,为解决这个问题,提出了一种基于可变形卷积网络的织物瑕疵分类算法。该算法是在Dark Net-53网络的基础上引入可变形卷积,构建了Dark Net-DCN分类网络。在织物瑕疵测试集中取得了96.8%的分类准确率,且通过可视化分析证明了该网络的可行性。（2）研究基于多尺度融合的织物瑕疵检测。在YOLOv3网络基础上提出了两点改进,首先为了减少难分样本给网络带来的不良影响,创新性地提出引入焦点损失作为损失函数,让模型聚焦于训练难分类的样本;然后为了解决织物瑕疵区域占比小,随着网络层数的加深,小瑕疵的特征信息逐渐消失,提出了改进多尺度特征融合网络,将深层网络的高语义信息与浅层的高分辨率融合,获取到更加丰富的特征信息,以此优化瑕疵检测网络。在训练模型时,为了加快损失收敛速度,使用K-means聚类算法初始化锚框。在测试集上取得了83.6%的平均检测精度,且模型有效降低了瑕疵的漏检率和误检率。（3）研究基于轻量化网络的织物瑕疵检测。针对存储或计算能力有限的设备以及移动端的应用场景,提出了轻量化的织物瑕疵检测算法。对YOLOv3模型压缩优化,采用轻量级网络Mobile Net V3-large作为特征提取网络,减少了模型的参数量以及计算量。同时为了平衡模型检测的速度和精度,继续采用焦点损失函数以及多尺度特征融合网络。该模型占用内存为101.8MB,模型权重占内存减小了一半以上,并且在含有12种类别织物瑕疵测试集中取得了80.1%的平均检测精度,在保证一定的检测准确率的前提下,增加了模型的实用性。