织物疵点检测在纺织品生产质量控制中起着重要作用。由于织物图像纹理复杂、疵点类型多样，导致现有基于机器视觉的检测方法适应性差且精度不高。深度学习技术在目标检测中取得了显著的进展，为织物疵点快速准确检测提供了一种解决思路，然而检测性能依赖大规模的带像素级标签织物训练集。在实际生产中，为每种类型织物构建大规模带有像素级标签的训练集是一件非常繁重的工作。弱监督学习技术仅依靠图像级标签，可以实现像素级的疵点定位。因此，本文对基于弱监督学习的织物疵点检测算法进行研究，解决检测模型对像素级标签训练集的依赖，具体研究成果如下：
　　1)提出了基于Simplified-LZFNet弱监督学习的织物检测算法。强监督网络需要带像素级标签的训练集。本文结合类激活图(CAM, Class Activation Map)，提出了一种基于弱监督学习的织物疵点检测网络Simplified-LZFNet。首先使用全局池化层替换强监督网络中的最大池化层和全连接层，以利于疵点空间信息的保持。然后，通过全局池化层计算对应特征图权重，经加权融合后生成能有效突出疵点区域的类激活图。实验结果表明，提出方法仅依靠图像级标签的训练集，即可实现像素级的疵点定位。
　　2)提出了基于DLSE-Net的弱监督学习的织物疵点检测算法。对于具有复杂纹理的织物图像，正常背景与形态多样的疵点对比度低，造成基于弱监督的织物疵点检测效果不理想。因此，本文结合L-SE模块和DiationUp-WeightCAM，提出了一种改进的弱监督学习网络，称为DLSE-Net，用于织物疵点检测。首先，为了实现不同层级之间的特征融合，通过增加多分支网络技术，减轻不同层之间的连接所产生的语义鸿沟，增强纹理特征表征。然后提出L-SE模块，全局优化不同通道的权重，更利于重要特征通道的选择。最后，通过结合扩张卷积和注意力机制，提出改进的注意力机制DUW-CAM，实现抑制复杂纹理背景并突出疵点区域。实验结果表明，在两个不同纹理的织物数据集上，提出方法具有很好的定位精度，并优于最新方法。
　　3)提出了基于自注意力机制的弱监督织物疵点检测算法。为了进一步减少强监督与弱监督之间的监督鸿沟，提升疵点检测性能，本文基于自监督中像素相关机制，提出了一种改进的弱监督织物疵点检测网络T-SCDM-Net。主网络框架采用三分支结构和L-SE模块，全局优化不同通道权重并进行融合，提升特征表征能力。然后利用空洞卷积扩大感受野，并将所获取的上下文语义信息通过语义相似度来测量当前像素点的预测，以进一步改善定位结果。在两个不同纹理的织物数据集上的检测结果表明，提出方法进一步提升了检测性能。
　　本文对基于弱监督学习的织物疵点检测算法进行了研究，提出了三种有效的检测方法。仅依靠图像级标签的训练集，即可实现复杂纹理织物的像素级疵点定位。为织物疵点检测算法在实际中的应用提供了支撑。