印染环境中不稳定的照射光源会引起织物表面颜色的变化从而导致严重的色差评价误差,影响产品的质量。在传统的纺织印染行业中,染色品颜色的校正主要依靠具有丰富辨色经验的专业人员使用人眼来完成。这种人工方法投入成本高,存在一定的主观性,效率低下。因此利用机器学习的理论和方法自动高效地估计出场景的光照色度,提高染色品颜色校正的准确性,使其与标准色样一致,是非常有意义的研究方向。本文的研究工作主要围绕单一光照下基于机器学习的技术构建具有良好泛化能力和稳定性的光照色度估计模型,并用于解决印染过程中纺织品颜色校正问题。论文的主要工作和研究成果概括如下:(1)对颜色校正的基本概念和研究现状进行了简要的介绍,分析和比较了各种颜色校正算法的特点及优缺点。重点研究了具有较好性能的基于极限学习机(Extreme Learning Machine,ELM)的颜色校正算法,并对极限学习机的工作原理和存在的问题进行了深入的分析和讨论,为本文的后续工作提供理论基础。(2)针对ELM的训练精度和稳定性易受网络输入权值和隐含层偏置随机给定的影响,提出了一种基于Bagging的集成PSO-ELM光照预测模型。首先,利用粒子群优化(Particle Swarm Optimization,PSO)算法良好的全局搜索能力对极限学习机模型的输入权值矩阵和隐含层偏差进行迭代优化,形成改进的PSO-ELM光照预测模型;同时,为了进一步提高算法的性能,采用集成技术Bagging算法,生成多个差异度大的PSO-ELM子网络;最后,通过简单平均法将各个训练好的PSO-ELM进行融合,构成集成改进极限学习机Bagging-PSO-ELM光照估计模型。实验结果表明,相比于传统的基于ELM的颜色校正方法,该模型取得了较高的预测精度,具有较强的泛化能力和良好的稳定性。(3)针对基于支持向量回归(Support Vector Regression,SVR)的颜色校正算法学习效率低、单输出、以及预测精度不高的问题,将核函数引入到极限学习机中,提出了一种基于核极限学习机(Kernel Extreme Learning Machine,KELM)的光照估计模型。此外,利用无监督的Grey-Edge颜色恒常性算法提取了一种高效低维的图像颜色特征来取代传统的高维二值化的色度直方图特征,作为KELM的输入向量。实验结果表明,对比传统的SVR模型,该模型不仅具有较快的训练速度,而且取得了较高的光照估计准确度。