在纺织领域中,布匹的质量检测是产品生产链中的重要环节。由于生产设备的局限,布匹表面往往会出现沾污、破洞等疵点。传统的检测方式是人工检测,但这种方式存在着劳动强度大、检测精度低、检测速度慢等问题。随着人工智能的发展,在布匹瑕疵检测中使用计算机视觉代替人眼来解放劳动力、提高生产效率,是必然的发展趋势。而目前的目标检测算法对于疵点这类小目标的检测效果并不理想,因此,本文提出了一种基于深度学习的小目标疵点检测技术,可以提高布匹疵点检测精度,实现对布匹疵点的实时检测。本文的主要研究内容如下:（1）本文以背景图案较为复杂的花布作为研究对象,对带有疵点的花布进行拍照采集,利用图像标注工具进行标注,建立花布疵点数据集。然后利用公开布匹瑕疵数据集补充花布疵点类型。针对数据量不足的情况,采用几何变换等方式对数据集进行数据增强,扩充花布疵点数据集规模。（2）研究了卷积神经网络的组成结构,对两阶段和一阶段目标检测算法的网络结构进行分析,并对两种类型算法的性能进行比较,通过分析小目标检测任务中低精度问题的原因和相关技术研究现状,选择YOLOv5作为本文的基础模型。（3）为了提高小目标疵点检测的准确性,提出了一种基于改进YOLOv5的疵点检测算法。为了增强网络的特征提取能力,在YOLOv5的骨干网络中引入了注意力机制 Squeeze-and-Excitation（SE）,并且使用 ActivateOrNot（ACON）激活函数来代替传统的Leaky ReLU激活函数。实验表明,优化后的模型具有更高的检测精度。（4）实现了布匹疵点检测系统,基于疵点检测算法模型对系统进行设计,实现图像采集、疵点检测等功能,并对系统进行测试,表明系统具有一定的应用价值。