织物疵点检测在纺织品品质管控中扮演着重要的角色,通过检测及时发现织物疵点,从源头控制织物的生产,能够有效减少企业的损失。基于深度学习的织物疵点检测方法,在保证准确率的同时,检测的速度也较快,所以成为了纺织企业的首要选择。但是,由于织物图像具有结构纹理复杂、疵点类型多样等特点,卷积神经网络很容易忽略卷积层中疵点的特征信息,从而出现网络识别率不高、分类效果不好等问题。本文针对以上问题,主要完成了如下研究工作:（1）提出了一种基于改进Refine Det的织物疵点检测方法。针对传统Refine Det模型分类性能不佳和定位结果不精确的问题,对其进行了改进。首先,将VGG16改为全卷积网络对织物图像特征进行提取;其次,为了获取疵点重要的特征并抑制不必要的特征,在anchor细化模块（Anchor Refinement Module,ARM）中加入了注意力机制;为了提高网络的分类性能,在传输连接块（Transfer Connection Block,TCB）中加入了SE模块（Squeeze and Excitation,SE）;最后,目标检测模块（Object Detection Module,ODM）将检测到的结果回归到正确的目标位置,再预测疵点的类别,对疵点进行定位。实验结果显示,本文算法对孔、污渍、纱疵和线状四种类别织物图像的均值平均精度m AP达到了79.7%,比传统Refine Det检测方法均值平均精度提高了5%,具有良好的分类和定位效果。（2）提出了一种基于改进DCGAN（Deep Convolution Generative Adversarial Networks）的织物疵点检测算法。首先,针对DCGAN网络中的生成层仅采用一层反卷积,出现网络无法识别织物图像中细小疵点的问题,创新性的在原始DCGAN中引入了全局指导模块和注意力机制,对原始DCGAN进行了改进。该方法,在原始DCGAN的生成层加入全局指导模块,使网络充分获取织物图像的全局信息,避免丢失掉疵点的细节信息;其次,为了使生成器对疵点投入更多关注度,给予疵点区域相比其它区域较高的权重,将注意力模块引入到生成器中,有助于模型更好的识别不同类型疵点的特征信息;最后,目标检测模块将检测结果回归到正确的目标位置并预测疵点类别,对疵点进行定位。实验结果显示,本文算法对七种不同类型的织物图像分类准确率达到了95.52%,比原始DCGAN的准确率提高了3.17%,具有良好的分类和定位效果。