随着生活质量和物质水平的提高,服装的作用已经不仅限于保暖,大众为了追求衣着的美观,对服装织物的抗皱性能有所要求。传统的织物折皱等级评定方法是将织物折皱程度划分成多个等级后,由专业人士通过肉眼观察来对织物的折皱等级进行评定,但是受外界环境和主观因素的影响,通过人眼对织物折皱等级进行评定存在低效率和不准确问题。为此,为了获取准确度更高的评定结果,大量相关研究人员选取各种图像特征提取方法提取织物折皱特征并尝试用神经网络构建织物折皱等级评定模型。本文通过对神经网络的改进和优化来提高网络模型分类性能的准确性和稳定性,再将其应用到织物折皱等级评定研究中,主要进行了以下两方面的工作:（1）为了改进目前神经网络在织物折皱等级评定应用方面的不足,本文提出了一种基于蚁狮优化算法（ALO）改进的樽海鞘群算法（SSA）优化随机向量功能连接网络（ALO-SSA-RVFL）的模型,从而对织物的折皱等级进行客观评定。首先,为了提高SSA在全局范围内的寻优能力,避免搜索代理陷入局部最优解,本文提出了使用ALO算法对SSA的搜索方式进行改进,然后使用改进的SSA优化RVFL的输入权重和隐含层偏置,从而避免RVFL因参数的随机性导致分类的不准确和不稳定问题。通过对比实验可以看出,本文提出的ALOSSA-RVFL模型的分类精度相比其他算法最高,有效地提高了折皱等级评定效果。（2）为了进一步提高织物折皱等级评定模型的分类精度以及调参效率,本文提出一种基于残差网络Res Net18（R18）和优化的RVFL结合的织物折皱等级评定模型,Res Net18网络用于特征提取,优化的RVFL作为分类器。该模型应用Res Net18网络对折皱图像进行特征提取,能够获取泛化能力更强、更具识别性的图像特征,并提出了一种基于混沌映射（Chaotic-logistic maps）和反向学习（Opposition-based learning）改进的囊状群算法（TSA）优化的RVFL分类模型。首先,使用Chaotic-logistic maps和Opposition-based learning为TSA选择一组合适的初始种群,使TSA在之后的搜索过程中更容易收敛到全局最优值,再通过本文提出的搜索代理片段映射方式,使TSA在优化RVFL输入权重和隐含层偏置的同时也对隐含层节点个数和激活函数进行动态选择,更好的避免RVFL因参数的随机选择导致分类结果不准确、不稳定问题。通过大量实验对比可知,本文提出的R18-COTSA-RVFL模型的平均分类精度相比其他对比算法更高且有较好的稳定性。