本文针对传统的织物染色配色方法,费时费力,精确度不高等缺点,将神经网络技术引进织物染色配色领域。重点是研究不同类型神经网络在织物染色计算机配色中的性能,改进神经网络的训练方法,建立一个具有足够配色精度的织物染色计算机配色模型。首先分析了BP、RBF神经网络的一般理论,结合两种网络分别建立基于神经网络的织物染色计算机配色模型。应用两种模型对样本数据进行仿真训练,在比较了两种不同网络模型的预测误差和网络性能的基础上,分析了它们的优缺点及改进措施。随后针对BP神经网络精确度不高、收敛速度慢等缺点,提出了分别用LMBP算法和OWO-HWO算法来改进标准BP算法并且进行了仿真实验。实验结果表明,两种算法无论是在收敛速度还是训练精度上比标准BP算法有了很大的提高。针对BP神经网络易陷入局部极小点的缺点,将遗传算法引进到BP神经网络中,提出了GA-LMBP算法。算法思想是先利用遗传算法对初始权值进行优化,在解空间中定位出一个极好的搜索空间,然后由LMBP算法在这个小的解空间中搜索出最优解。这样既克服了BP算法容易陷入局部最优,又克服了遗传算法在群体规模较大的情况下收敛较慢的缺陷。最后针对深、中和浅色不同色系的样本,分别用BP、RBF神经网络及基于OWO-HWO算法、LMBP算法和GA-LMBP算法的神经网络模型进行仿真实验。从训练精度,泛化能力等方面进行对比分析,结果表明基于OWO-HWO算法的神经网络模型适合于浅色色系样本;基于GA-LMBP神经网络模型适合于中、深色色系样本。