纺织物的表面缺陷检测是其质检环节中最为重要的一步。传统的人工检测方法,效率低,精度波动幅度较大,对人体健康尤其是视力健康存在着巨大的伤害。而当前存在的一些自动化检测方法,需要人为设计特征表达方式,但这极大地依赖于经验和运气,严重影响了算法的更新迭代与泛化性。近年来,卷积神经网络技术发展迅猛,在目标的检测识别等方面取得了许多突破性的成果。因此,本文基于实际的课题研究,将卷积神经网络技术应用于纺织物(素色布)的缺陷检测问题上。本文首先分析了纺织物缺陷检测的技术难点,并通过对经典检测算法与典型的深度学习方法的研究,针对各个技术难点,提出了对应的改进算法以实现对纺织物缺陷快速准确的检测。其次,本文分析了高分辨率图像处理的经典方法及其各种弊端。然后设计了并行网络结构来提取特征,并通过深度融合的方式综合了各网络特征层特征,在保证检测精度的前提下解决了高分辨率带来的检测效率低的问题。本文还分析了经典数据增强方法在纺织物缺陷检测问题上存在的局限性。并针对纺织物缺陷图像的特点改进了合成少数类过采样技术丰富了样本多样性,并设计了缺陷区域CopyPasting方法,丰富了缺陷位置多样性。通过人工生成新样本的数据增强方式提升了模型的泛化性和鲁棒性。接着,本文设计了注意力机制下的特征金字塔网络结构。通过特征金字塔增加了检测利用的特征信息,加强对小缺陷的检测,并利用注意力机制给各个位置的特征加上权重,增强显著特征,抑制无效干扰。然后本文分析了传统交叉熵损失在处理检测目标数量过少时存在的弊端,并通过利用Focal Loss来衡量分类误差,增强前景框的loss权重,加强对难分类样本的训练,提高了精度。最后,本文完成了完整的端到端网络的设计,串联了各个改进方法,并完成了卷积神经网络的训练。通过实验分析,本文研究算法相对于目前现有的检测网络在各方面有着一定的优越性,能够满足工业生产的精度和效率要求。