我国是纺织品的生产和消费大国,有众多纺织品企业。受外部环境的影响和自身发展的需要,企业需要提高产品质量以保证企业的竞争力。其中检测作为保证产品质量的最后一道关卡,需要同时满足对精度和效率的要求。使用人工对布匹瑕疵进行检测的效率较低且无法保证检测质量;传统图像算法检测的布匹多为素色布匹,适用范围不广;因此为了检测花色布匹中的瑕疵,本文选取深度学习中的卷积神经网络作为研究方法,旨在设计出一套对花色布匹的疵点进行检测的算法。研究内容如下:（1）对网络结构进行了相应改进。针对整张布匹幅面大和材质的特点,本文比较并选取了两阶段模型中的Faster RCNN进行训练和测试;使用由其他大量数据训练好的预训练模型初始化网络参数;为了获取更好的检测效果,本文选取Cascade RCNN代替Faster RCNN作检测;采用正常布匹和瑕疵布匹特征图相减抑制花色的影响;改进了Cascade RCNN使用的损失函数和采样方法以进一步提高检测精度。最终,训练结果同Faster RCNN相比,mAP提高了6%。（2）对数据集进行了处理。对数据集中数量较少的疵点采用平移、旋转、随机裁剪等方式增广数据;除此之外,为了增强小疵点的检测效果,本文选取Copy-Paste方法并改进后用于增加疵点的数量。使用增广后的数据集在改进后的Cascade RCNN上训练,相比没有增广时,mAP提高了3%。（3）在特征金字塔后使用注意力机制。针对布匹中的小尺寸疵点和形态各异疵点,本文在改进的Cascade RCNN中使用注意力机制处理特征金字塔,将特征金字塔看作一个三维张量,对三个维度分别使用注意力机制,最后组合处理特征金字塔。最终,本文改进的模型对布匹疵点检测的Acc达到了92.1%,mAP达到了57.2%。实验证明,同现有的算法相比,本文算法提升了各类疵点的检测精度,对如沾污、花毛等含有较多小尺寸疵点的类别的检测效果提升明显。