为满足人们对高品质生活的追求,纺织品制造商已将质量控制作为不可或缺的环节之一,同时随着科学技术的发展,工业生产方式已往智能化方向发展。检测纺织品是否存在缺陷是控制其质量的重要环节之一,实现织物缺陷的自动检测,对保证纺织品生产质量和提升生产环节的智能化有着重大意义。传统的织物缺陷检测方法大多对某类特定的织物有很好的检测效果,但难以适应各种各样的缺陷和织物类型。将深度学习运用到织物的缺陷检测,在检测不规则的缺陷形状和复杂背景的织物上,表现出了明显的优势,但现有的算法模型通常设计的过于庞大,若部署在配置不高的硬件设备上,则不利于满足某些工业任务对检测速度的要求。针对这些问题,本文以深度学习算法为基础,提出一种基于SSD的轻量化模型织物缺陷检测方法,在保证算法检测精度的同时,提高算法的检测速度。本文的主要工作内容如下:（1）搭建织物数据采集平台,采用基于伽马函数的自适应校正算法解决采集到的数据存在打光不均匀的问题。通过数据增强的方法将数据集扩充9倍且实现了对扩充后的数据自动标注缺陷位置。（2）提出一种轻量化的织物缺陷检测方法,使用轻量化卷积神经网络MobileNetV3-Large作为SSD的特征提取网络,构建目标检测算法MobileNetV3-SSD。为进一步提高特别是对小面积织物缺陷的检测精度,在MobileNetV3-SSD基础上加入特征融合模块和改进的RFB模块,丰富网络浅层特征层的语义信息和增大感受野,增强网络的特征提取能力;为解决位置回归损失函数与评价检测指标不等价的问题,通过DIoU优化损失函数,以此提高算法的收敛速度和精度。（3）将改进算法应用在织物缺陷数据集上,为验证改进算法的性能,在相同的实验平台条件下设计了对比实验,结果表明,得益于MobileNetV3高效的网络结构设计和对MobileNetV3-SSD的优化,改进算法在测试集上的平均精度均值为84.6%,检测速度为118FPS,模型大小缩小为原SSD的五分之一左右,实现了检测精度和速度之间的高效平衡,使算法部署到配置较低的硬件设备中成为可能。（4）以PyQt为平台,结合所提出的改进算法设计织物缺陷检测系统,实现在系统界面上实时显示织物缺陷检测结果。该系统包括在线检测模块和离线检测模块,具有将检测结果信息导入数据库的功能。本文以SSD算法为基础,对其进行了轻量化处理与改进,提出了一种轻量化的织物缺陷检测方法,通过实验验证了该算法在检测精度和速度之间的高效平衡,搭配软件系统使用,能达到辅助验布的目的。