男西装是一类对外观造型的平整度和立体性要求较高的服装品类,因此对其外观质量的判别和修正十分重要。本文旨在借助计算机图像处理技术和机器学习模型训练来实现男西装背部弊病的检测和修正。完成的主要研究工作如下:（1）首先以西装定制企业弊病图像为数据源,构建了包含后领窝起涌、后背太宽、肩胛骨起吊、后背下沉、腰胁起裂在内的五种背部弊病类型数据集,每种类型10张,共计50张。通过分析人体体型结构、西装样板结构、西装面辅料以及制作工艺四个影响西装穿着合体性的因素,总结出了每种弊病类型相对应的修正方案。（2）进行了弊病指标参数的提取。先借助飞浆的EISeg图像标注工具,对图像进行抠图操作,得到去除背景信息的预处理图像。接着基于MATLAB平台,对图像进行灰度化处理,分别使用图像增强和阈值分割的图像处理方法,绘制出褶皱部位的灰度曲线和二值图像。根据灰度曲线的波峰波谷变化程度提取了表征弊病信息的褶皱宽度、褶皱深度、褶皱密度参数;基于生成的二值图像提取褶皱斜率参数;针对弊病出现的位置不同,增加褶皱部位编号这一特征参数,共计五种类型特征值。（3）以BP神经网络模型为基础,提出采用遗传算法优化传统BP神经网络模型的超参数,来解决BP神经网络易陷入局部最优解的情况,并应用于西装背部弊病类型的分类问题中。将50组特征参数按照7:3的比例划分训练集和测试集进行分类预测,同时输出对应修正方案。仿真实验结果显示,该模型能准确地对弊病类型进行分类识别,分类精度达到了97.1%,相较于传统BP神经网络模型训练结果提升了3个百分点。本文通过收集实际西装定制案例、分析弊病原因、总结修正方案、提取特征参数以及设计基于遗传算法优化的BP神经网络模型,为定制西装背部弊病问题的计算机辅助识别和修正提供了有效的解决方案。实验结果表明,所提出的方法在分类精度和修正方案方面具有较高的准确性,为定制西装行业的智能化发展提供了重要支持,另外对于服装企业量产西装后的成衣弊病检测过程提供了有益参考。