布匹上的疵点是影响其质量的关键因素。传统的布匹疵点检测依靠人工完成，效率越来越不适应实际生产；与此同时，当前存在的一些传统方法由于布匹的种类繁多以及纹理复杂性使得它们满足不了实际工业生产的高准确率和实时性要求，而当前深度学习技术在图像处理上表现出强大的优势。本文基于实际的应用课题，将深度学习和支持向量机技术应用于布匹（无纺布和纺织布）的疵点检测问题上。　　针对无纺布，由于其纹理相对较简单，将疵点检测问题转化为图像分割后的分类问题。该问题通过采用深度学习框架中的卷积神经网络特征提取和支持向量机分类实现，它保证了检测的高准确率，但是存在耗时多的问题。为此，在卷积神经网络之前设计一个基于灰度共生矩阵纹理特征值和支持向量机的预分类模型，它与其后的基于卷积神经网络和支持向量机的终分类模型构成了一个多层次的检测算法，而且为了最大限度地节省计算时间，将灰度共生矩阵和纹理特征值的计算置于GPU上基于CUDA架构并行计算实现。　　针对纺织布，直接应用针对无纺布的多层次检测算法效果不佳，因为纺织布纹理的复杂性决定了该算法中预分类模型对其的分类准确率不理想。本文采用基于快速区域卷积神经网络的思想，将检测问题转化为可能包含疵点的候选区域的确定和候选区域的分类和回归问题。本文使用两个共享卷积层的卷积神经网络，分别实现纺织布图像中候选区域的确定以及候选区域的分类和回归。　　实验证明，两种算法针对对应类型的布匹检测效果在准确性和实时性上均表现较好。最后，本文从硬件和软件两个方面简述了布匹疵点检测系统的结构与实现，并对全文工作进行了总结，同时提出了目前研究存在的问题及下一步工作方向。