针对目前数码印花过程中颜色空间转换方法无法适应织物多样性引起的色差问题，提出一种改进的正则化极限学习机算法，实现L*a*b*到CMYK颜色空间快速灵活转换。首先，选用PANTONE纺织TCX色卡作为实验的样本数据，随机选取800个色块，这些色块的L*a*b*值作为输入，对应的C、M、Y、K值分别作为输出，训练网络，建立一个非线性映射，并根据岭回归模型的岭迹图观察法得出最优正则化惩罚系数，优化模型；随后，在TCX色卡剩余的色块中再随机选出100个色块作为模型的测试样本进行测试验证。实验结果表明，本文方法具有较高的转换精度和效率，最小转换色差为0.221，最大转换色差为6.965，平均转换色差为1.645，平均训练时间为1.489 s，能够满足数码印花色彩管理实际要求。

针对应用深度学习检测数码印花缺陷需准确分类的问题,提出了基于卷积神经网络(CNN)的数码印花缺陷分类算法。该方法首先依次对图像进行RGB颜色空间直方图均衡化、高斯滤波、局部均值分辨率调整的图像预处理,提升输入网络的图像质量,并进行图像几何变换的数据增强,扩充样本数据集;然后,设计拓扑结构为2个卷积层、2个池化层、2个全连接层的CNN网络对样本进行训练,得出最优的数码印花缺陷分类CNN模型。经600张测试样本验证,结果表明,该算法对各类数码印花缺陷的分类准确率均超过90.0%,多分类任务Kappa系数值为0.94,能实现数码印花缺陷的准确分类。