产品表面自动化缺陷检测对保证产品质量和提高生产效益有着重大的影响。传统手工定制特征的算法具有通用性差,检测精度低,开发成本高等缺点,而深度学习算法具有通用性好,检测精度高,鲁棒性强等优势。在缺陷自动化检测领域,基于深度学习算法正在逐步替代传统的算法。但是在应用过程中会存在缺陷样本量少,图像分辨率高的情况,无法直接使用现有的深度学习算法。针对这些问题,本文开展基于深度学习的缺陷检测算法的研究,重点解决小样本以及高分辨图像的问题。本课题针对小样本集的问题,设计一种基于生成对抗神经网络的缺陷生成算法来扩充数据集。为了提升生成的缺陷样本质量,设计一种基于残差的算法,降低了模型学习的难度,更好地学习缺陷本身的特征。为了大量地扩充多种类型的缺陷,增加样本的多样性,本文利用缺陷区域的掩膜信息,将其作为模型的条件输入,通过控制掩膜的位置大小形状来控制生成的缺陷区域。针对高分辨的图像表面缺陷检测问题,本文设计了一种粗检测—细分割的算法。在粗检测阶段,先用小而精的检测模型来对高分辨图像进行缺陷粗检测,确定缺陷的大致位置,为了减少检测网络的误检率,在不大幅度增加网络层数的情况下,使用空间金字塔池化层(Spatial Pyramid Pooling,SPP)有效增大网络感受野。在细分割阶段,对粗检测阶段的预测区域进行分割,无需处理无缺陷区域。为了提高分割网络的分割精度,使用带空洞卷积的空间金字塔池化层(Atrous Spatial Pyramid Pooling,ASPP)增强网络对不同尺度缺陷的感知能力。同时,使用跳跃连接,将低层次的特征和高层次特征进行融和,再次提高分割的精度。本文通过缺陷生成实验以及在DAGM(Deutsche Arbeitsgemeinschaft für Mustererkennung)等工业数据集上和现有算法以及商业软件的对比实验,验证了算法的有效性以及优越性。通过缺陷生成算法实现数据集的大量扩充,极大地提高检测的精度,并将算法成功落地于工业通用表面缺陷检测领域。粗检测—细分割的检测算法在图像分辨率为512×512的测试图片上达到25 fps;在图像分辨率为2048×2048的测试图片上达到5 fps。在DAGM数据集上,检测精度MIoU达到0.8593。