纺织布匹瑕疵检测是纺织品生产环节中至关重要的一步,如何更进一步的提高纺织布匹瑕疵检测的精度和速度将对这一重要的生产步骤产生十分积极的影响,这能够有效的促进纺织品行业持续健康的发展。因此,本文特别针对纺织布匹瑕疵检测环节中的检测精度和速度这两个方面展开了细致的研究,本文完成的主要创新工作如下:针对目前业界前沿的目标检测算法在织物布匹瑕疵的检测精度方面仍然存在有待提升空间的问题,本文提出了三种不同的技巧方法有效的提高了纺织布匹瑕疵的检测精度。首先,本文将单张输入图像缩放为若干张不同分辨率大小的输入图像从而进行多尺度的模型训练,提高了神经网络在不同尺度下的适应能力和识别能力。其次,本文针对布匹瑕疵的尺度大小在织物数据集中的分布极不平衡的问题,通过对数据集中瑕疵边界框的宽度和高度这两个维度进行k-means聚类,然后用聚类中心替换目标检测算法中固定的先验框使得整个网络模型的学习效果变得更加明显。最后,本文通过改进的非极大值抑制方法有效的避免了数据集中相同瑕疵类别重复检测的现象。实验结果表明,本文通过综合这些技巧方法有效的提升了织物疵点检测8.9%的m AP（mean Average Precision）精度。针对目前业界前沿的目标检测算法在瑕疵数据的检测速度和检测效果方面依然存在着重复计算和可能误判的问题,本文提出了一种新颖的瑕疵网络方法来解决了这一类的问题。首先,本文比较了瑕疵数据的检测与一般自然对象数据的检测的不同之处,发现了瑕疵数据中存在大量没有标注的图片,导致了它的处理原则与一般的目标检测问题有着本质的区别,指出了基于卷积神经网络的一般目标检测算法可能是不完美的解决方案。然后,本文针对瑕疵网络方法进行了实验验证与分析。首先,它通过与目标检测网络模型中的主干网络共享卷积的操作,然后利用了瑕疵发现网络快速的判断了一张图像是否含有瑕疵,再根据判断的结果来决定是否对图像执行进一步的瑕疵检测。理论推导和实验结果充分证明了本文提出的瑕疵网络方法的检测效率和检测效果。以本文中的数据集为例,瑕疵网络方法在几乎不影响原始网络模型检测精度的前提下,有效的提升了目标检测网络模型29.2%的检测速度和7.2%的F1-score,与理论上的预期结果基本相符。