纺织产品质量控制是相关生产企业发展的重要一环。受各种不确定因素影响,生产过程的每个环节都可能产生缺陷。缺陷严重影响织物产品质量和使用寿命,所以织物产品的表面缺陷检测在产品质量控制方面至关重要。早期通过人眼对织物表面缺陷进行检测,但人眼检测速度慢;误检、漏检频次高;容易受工人自身的主观影响;成本高。基于传统的图像处理方法,检测速度和效果均优于人工,但自适应能力差,对复杂背景下的缺陷检测不佳。近几年来深度学习方法发展迅速,基于深度学习的缺陷检测算法模型不断完善,然而在训练样本不足的情况下,依靠大量数据训练的深度缺陷检测模型受到局限,本文针对这一问题提出了基于生成对抗网络的织物缺陷检测算法。主要工作和创新如下:（1）针对实际生产线上织物缺陷很少出现,缺陷样本难收集、难标注等问题,提出了一种基于带有编码器组件的深度卷积生成对抗网络的无监督缺陷检测方法。首先,在原始的深度卷积生成对抗网络中加入编码器,将图像编码成一个向量,将该向量输入到模型中以重建原始图像。其次,为适应模型训练,构造新的对抗损失函数,在原始对抗损失函数基础上新增重建损失和特征损失,设计出了一种三重约束的损失函数。最后,在测试阶段,训练好的模型能较好的重建正样本原图像,不能完美重建负样本缺陷图像,重建后的图像与原缺陷图像相减得到残差图像并通过图像阈值分割定位缺陷区域。实验结果表明本方法的织物缺陷检测性能优于同类典型模型Ano GAN和GANomaly。（2）针对背景复杂的织物缺陷,基于无监督重构的方法检测能力不足,本文基于有监督思想提出了一种集成Seg Net与生成对抗网络的织物缺陷检测算法,利用生成对抗网络的对抗思想提升Seg Net对织物缺陷检测的能力。首先,以Seg Net作为生成模型网络结构,由生成模型生成缺陷图像分割结果,由判别模型来判定输入图像是由生成模型分割得到的图像,还是由缺陷图像通过人为分割得到的真值图像。其次,在生成器中加入一个注意力模块来提升算法的检测性能。在两种不同类型的数据集上实验验证了该算法对织物缺陷检测的有效性。（3）利用生成对抗网络对抗训练的优势,提出了一种基于U-Net与生成对抗网络相结合的织物缺陷检测算法,在U-Net原始分割能力基础上提升织物缺陷分割性能。首先,生成器以U-Net为主干网络分割缺陷,随着不断的训练,生成器能够生成与真实的分割图无太大差别的分割图。判别器来判定生成的分割图还是真值图。其次,在模型中植入所设计的多特征增强模块和集成注意力模块,提高生成器特征提取能力和算法对织物缺陷的检测灵敏性和精度。实验结果表明与其他典型的检测模型相比,该算法具有较好的织物缺陷检测性能。