传统的织物染色配色一般是依靠配色人员自身的经验和知识来进行的,这就造成了这种方法工作量大并且耗费材料和时间的缺点,本文针对传统方法的缺点提出了采用基于贝叶斯改进BP神经网络的计算机配色方法。根据神经网络可以很好的解决非线性问题的优点,来建立一个既可以精度高又可以有较强的泛化能力的网络模型。文章首先介绍了计算机配色以及颜色色度学的一些理论知识,针对计算机配色的优点提出了采用神经网络来进行织物染色的配色。接着对于神经网络进行了具体的介绍,包括神经网络的原理、特征以及研究的现状,以及介绍了几种常用的网络模型。随后本文主要介绍了BP网络和RBF网络的一些理论知识,根据这两种网络的各自的特点采用不同的方法建立网络模型,针对遗传算法全局搜索的特点,结合RBF网络的特点,文中提出了采用基于遗传算法的RBF神经网络模型进行实验;针对BP网络收敛速度慢,网络误差较大而LM算法的精确度较高的特点,文中提出了采用基于贝叶斯正规化算法与LM算法结合的方法,不仅可以解决收敛速度慢的问题,而且在网络的泛化方面也有了一定的进步。该算法主要是对误差函数进行了修改,从而达到提高泛化能力的要求。本文主要研究的就是如何提高网络的泛化能力,而基于贝叶斯正规化算法与LM算法结合的方法证明采用该方法可以较好的实现网络的泛化。最后利用从工厂提取的深色、中色和浅色的不同样本数据,分别采用了基于遗传算法的RBF网络方法、基于贝叶斯与LM算法结合的方法与传统的LM算法和自适应学习速率算法进行比较,从仿真的浓度精确度以及网络的泛化能力等方面对比分析,实验结果表明基于贝叶斯与LM算法结合的方法不仅在仿真浓度的精确度方面而且在网络的泛化方面都有较大的提高。