纺织行业在现代国民经济中占有非常重要的地位,而织物疵点检测是织物质量把控的重要环节。但是由于织物疵点种类多样,给疵点的检测带来了挑战。近年来,深度学习在图像各领域的应用取得了成功,为织物疵点的高效检测提供了新方法。众所周知深度学习模型需要大量的训练样本来更新参数,一些样本需要人工标注,费时费力。而织物疵点作为一种异常现象,无法收集大量的样本。在样本量不足的条件下网络很难对复杂纹理和各类疵点信息进行有效的学习,也因此无法达到令人满意的精度。针对以上问题,本文进行了相关研究和实验,主要包含以下内容:（1）在样本不足的条件下,网络对复杂纹理的各类疵点难以识别的问题,论文提出了一个语义分割网络来实现织物疵点的检测。语义分割网络通常需要大量成对样本进行训练,而现有的标注织物样本数量有限,并且人工标注需要大量的时间和精力,因此本文提出了一个疵点样本对生成模块,该模块无需人工标注,只需挑选5张同类织物的正常样本传入模块,就会生成3000对训练样本。再将生成的训练样本传入融合了注意力机制的U-Net网络中进行监督训练。实验结果表明,该方法对各类织物的大多数疵点表现良好,平均准确率达到了 98%。（2）针对疵点样本不足的问题,引入了只需用正常样本进行训练的无监督疵点检测方法。该方法在传统深度卷积生成对抗网络结构中引入了一个逆变器,在此逆变器的帮助下网络可以重建输入的图像,再通过判别器的训练使得重建的图像更加真实。另外,为了增加模型的鲁棒性,在该网络的基础上加入了一个转换器T,T会对正常的训练样本进行破坏,将破坏后的样本送入逆变器和生成器中进行重建。在测试阶段,由于网络学习了正常样本的分布,因此对疵点图像网络会对其进行背景重建,即将疵点区域重建为正常纹理,这样重建前后图像在疵点位置就会存在一定的差异,对原图和重建图像取绝对差值,获得含疵点信息的残差图,再对残差图进行阈值分割后得到最终的疵点检测结果图。（3）配置了相应的实验平台并搭建了专门的织物疵点检测系统。基于Linux系统的PyTorch深度学习框架,采用tkinter开发了一套适用于织物疵点检测的系统,在该系统界面上可以选中任意不同织物进行疵点检测,也可以对选中的图像人工生成随机疵点进行检测,并查看检测结果。