我国作为世界上第二大经济体,印刷包装行业的产值近年得到持续稳定的增长,商品的印刷包装在流通和消费过程中成为连接商品生产和消费者的重要纽带。由于印刷工艺设计、承印物质量、印刷设备和操作人员技术水平等因素,导致印刷品不可避免地会出现各种印刷缺陷,从而严重影响到产品质量,不仅会使得企业蒙受经济损失,同时也会造成极大的人力和物力浪费。因此,开展印刷生产线上快速、准确的印刷品缺陷检测方法相关的研究,是保障印刷品质量的重要途径。本文针对目前印刷品颜色缺陷在线检测效率和准确率难以兼顾的问题,提出了基于颜色直方图特征提取的图像颜色缺陷检测方法,对于提高印刷品印刷质量、降低印刷成本具有一定的理论参考价值。本文的研究工作主要有以下几个方面:1、对图像尺寸为512×512的彩色标准图像“Lena”,将其从RGB颜色空间转换至HSV颜色空间,并随机改变H、S、V分量值,然后采用CIE L*a*b*计算样本图像与标准图像的色差值,以6NBS为阈值判断图像是否存在颜色缺陷,获取了65000张样本图像;根据图像颜色直方图统计分布特点,采用非均匀量化方法对图像的直方图特征进行了提取,最终使表征图像颜色的特征数从786432个减少为784个。2、针对本文图像颜色缺陷检测问题,以检测准确率为验证指标,采用网格搜索法确定了支持向量机法高斯核函数的惩罚系数C和超参数?分别为4.5和0.1;分析了BP神经网络模型的结构、隐藏层神经元数目、各层激励函数、训练函数与训练时间和检测准确率的关系,构建了BP神经网络模型;考察了卷积神经网络池化方法、卷积层层数与验证集和训练集的RMSE、检测准确率的关系,确定了本文图像颜色缺陷检测所需的卷积神经网络模型。3、对10000张测试集样本图像进行检测,结果表明:支持向量机法、BP神经网络和卷积神经网络方法的检测准确率分别为99.52%、99.7%和99.77%,单张图像的检测时间分别为59.92ms、65.95 ms和57.66ms;三种方法的检测准确率与训练样本数量关系密切,随着训练样本数量的增加,检测准确率均提高。4、支持向量机、BP神经网络和卷积神经网络方法等基于颜色直方图特征的图像颜色缺陷检测方法相比于色差计算公式和超像素方法在检测效率方面有了显著提升,卷积神经网络方法检测效率相比于CIE L*a*b*和CIEDE2000色差计算公式分别提升了约3.36倍和6.11倍,即:通过非均匀量化颜色直方图特征的提取,采用卷积神经网络方法对图像颜色缺陷进行检测可以达到既保证高检测准确率又可显著提升检测效率的目的,说明该方法在印刷品颜色质量在线监测领域具有很好的应用价值。