随着纺织工业的快速发展,布匹的产量变得越来越大,给布匹缺陷检测带来了更大挑战,传统的人工验布技术已经越来越难以满足工业生产需求。计算技术尤其是人工智能技术的发展,为布匹缺陷检测提供了新的更可靠的技术支持。针对布匹缺陷种类多样、尺度多样和背景干扰严重等问题,本文提出基于深度学习的布匹缺陷识别和检测方法。针对布匹缺陷识别问题,本文提出了基于改进Inception-ResNet-v2网络的布匹分类算法。根据实际应用需求,本文将布匹缺陷识别分为两个任务进行:正常布匹、缺陷布匹的二分类识别和正常布匹、7种缺陷布匹的多分类识别。为了提取布匹中更丰富的特征,进一步增加了网络的层数,并对网络中卷积核的尺寸进行改进。最终改进后的算法在布匹二分类识别中获得94%以上的准确率,并在多分类识别中实现top-1准确率达86%以上。同时,通过对比算法改进前后的效果,得出改进后的算法能将布匹缺陷识别准确率提升近20%,成功验证了改进算法的有效性。针对布匹缺陷检测问题,本文提出基于改进Faster-RCNN网络的布匹缺陷检测算法。主要改进点为:设计了多尺度特征图谱提取网络;针对不同种类的布匹缺陷,基于k-means算法设计出不同尺寸及比例的锚点;针对布匹缺陷目标中不存在目标包含的情况,对非极大值抑制算法做出相应改进。考虑布匹缺陷存在严重的类间相似性,本文设计了基于前置多分类器的Faster-RCNN布匹缺陷检测算法,最终实现了缺陷检测mAP@IoU=0.5最高达到82%。通过使用深度学习进行布匹缺陷识别和检测试验,成功地验证了深度学习的有效性。而且,随着布匹数据集的增多,有理由相信深度学习将会在布匹缺陷识别与检测领域取得更大成功。