针对提花织物的颜色管理问题,工厂通常先试织小批量色卡,在此基础上调整工艺参数,直至找到符合预期颜色值的配置和工艺。这种方法周期长、效率低,同时容易造成原材料、人力和物力的巨大浪费。本课题提供一种便于预测纺织提花织物明度的方法,同时为织物颜色预测提供了理论依据和方法论,以解决在实际织造中的颜色管理问题。为更准确获取缎纹影光组织织物的明度值,本课题结合织物图像的图形特征和机器学习算法展开明度预测模型的研究,提出一种基于织物图像光影重构的明度预测方法。为验证该明度预测方法的可行性,本文通过织物色卡的设计、测色、图像采集、图像处理、图像特征提取和模型训练等实验,主要研究结论有以下几点:（1）以缎纹影光组织织物的实物图像为研究对象,将一幅织物图像分离为经纬图形层、投影层和材质层,分别计算3层中不同图形特征的相对面积率,并赋予各图形面积以实际经纬纱线颜色值,采用明度相加方法以重构织物明度值,再将重构明度与织物实际测色数据进行拟合分析。结果表明:经纬图形层重构明度与织物实测明度的接近度为0.15,依次增加投影层和材质层后,接近度从0.76提升为0.89。说明各分层图像特征对织物明度计算分别起基础性、决定性和调整性作用。（2）为使上述的明度重构方法实现对织物明度的预测,本文以织物明度值作为模型因变量,经纬图形、投影和杂点面积率为模型自变量,分别构建多元线性回归模型（MLR模型）和基于二次多项式的逐步回归模型。结果表明:两个模型对训练集数据的拟合度在80%以上,对测试集数据的平均相对误差MAE值为16%以上。说明织物图形特征与织物明度间呈现一种复杂的非线性关系,需进一步优化模型。（3）在明度初级预测模型的基础上,为进一步提高模型对测试集样本的预测精度和泛化性能,本文对织物色卡、模型自变量和模型算法进行优化设计。结果表明:结合逐步回归和BP神经网络的组合模型预测精度较优,相较逐步回归模型,模型决定系数R~2提高了0.15,平均相对误差MRE减少了2.75%;相较BP神经网络模型,决定系数R~2提高了0.01,平均相对误差MRE减少了0.65%。说明BP神经网络模型能较好地满足数据间的非线性特征,组合预测模型可以同时满足数据的线性特征和非线性特征。（4）为验证组合预测模型在提花面料设计实践中对织物明度的实际预测效能,结合MATLAB app designer开发了一款用以织物图像纹样分色与设计的辅助软件,并基于该模块设计了两款不同主题的装饰面料。结果表明:辅助模块的开发不仅实现了BP神经网络模型的可视化,同时为用户使用模型时提供了交互性。两块面料中的大多数色块的预测明度值与实测明度值的绝对误差值小于5,实现了预期的设计效果;相较组合预测模型,平均相对误差MRE减少了2.64%,说明该模型具有实际的应用价值。综上所述,基于图像光影重构的明度预测方法结合了织物图像的图形特征和机器学习对数据间变化关系的拟合能力,是对织物明度预测方法的创新性探索,是一套合理科学的预测模型构建方法,为缎纹影光织物的纹样分色设计提供参考。