纺织品的瑕疵直接影响了产品的质量和纺织工厂的经济效益,瑕疵检测是纺织业生产过程中的一个重要环节。当前大部分工厂仍然使用人工在验布机上检测纺织品的质量是否合格。使用计算机视觉技术代替人工进行瑕疵检测和分类可以避免人工检测存在的检测速度慢、判断标准主观性强、漏检率高等缺点。但是当前的瑕疵检测和分类方法都属于监督学习,需要大量的瑕疵图像对网络进行训练,而在实际的生产过程中瑕疵图像出现频率较低。针对这一现状,本文对纺织品的瑕疵检测和分类进行了分析和研究,提出了基于深度学习的瑕疵检测方法和分类方法,仅需要少量的瑕疵图像对网络进行训练。研究内容主要为以下两个方面:1)纺织品瑕疵的检测。本文提出了去噪自编码器（Denoising Autoencoder,DAE）和卷积神经网络（Convolutional Neural Network,CNN）组合的瑕疵检测模型。首先,使用正常图像训练去噪自编码器,提取瑕疵特征,然后使用CNN进行瑕疵检测。DAE-CNN组合模型使用大量易获取的正常图像和少量的瑕疵图像作为训练集。实验证明,DAE-CNN组合模型的准确率和F1-Score均优于常用的VGG16卷积模型,而且本文提出的瑕疵检测模型计算量更小,大幅提升了瑕疵检测的速度。2)纺织品瑕疵的分类。CNN是常见的分类模型,但是瑕疵样本存在样本不均衡的问题,而CNN模型在稀有类别分类中的准确率较低。由于随机森林（Random Forest,RF）不易受到样本不均衡的影响,本文提出了CNN-RF组合的瑕疵分类模型,在保证了常见类别准确率的前提下,提高了稀有类别的准确率。实验证明,CNN-RF组合模型的准确率和F1-Score均优于单独的CNN模型,而且本文提出的瑕疵分类模型大幅提升了稀有类别分类的准确率。