光伏电池是许多军用和民用产品（如卫星、空间站、光伏电站等）的重要能源供应部件。然而,光伏电池缺陷会对其产品质量产生负面影响,如降低光伏产品的发电效率,使用寿命等。因此,自动检测光伏电池中的缺陷具有重大的意义和价值。光伏电池在生产制造和封装发电过程中都会伴随着缺陷的产生,现有的表面检测算法在缺陷检测精度、抗干扰能力等方面仍然存在着不足,因此,本文从人工特征描述子手动提取图像特征过渡到卷积神经网络自动提取特征,针对光伏电池在不同场景下的缺陷,提出了三种缺陷识别方法。本文的贡献和内容如下:1)针对光伏电池复杂背景干扰下的缺陷分类问题,本文提出了一种描述图像梯度纹理特征的中心像素梯度信息中心对称局部二值模式（Center Pixel Information Center Symmetric Local Binary Pattern,CPISC-LBP）,CPISC-LBP以阈值化的方式将中心像素的梯度特征融入到中心对称二值模式中,充分利用了中心像素信息与周围像素信息的空间关联性,使其提取的缺陷特征更具鲁棒性。另外,为了捕获图像的全局鲁棒性特征,提出了一种基于非监督特征提取的词袋模型（Bag of CPICS-LBP,BCPICS-LBP）,该模型通过使用聚类的方法进行相似性特征分析获取图像的全局特征,最后使用分类器进行缺陷分类。实验结果表明,本文的两种特征提取方法均获得了优异缺陷分类效果。2)针对光伏电池复杂背景干扰下的原始图像缺陷检测问题,本文提出一种基于区域推荐注意力网络（Region Proposal Attention Network,RPAN）的端到端缺陷检测框架Faster RPAN-CNN。首先我们通过将设计的通道注意力与空间注意力连接到一起,形成互补关系,得到提出的互补注意力网络（Complementary Attention Network,CAN）,接着将互补注意力网络融入到区域推荐网络中,得到提出的区域推荐注意力网络RPAN。由于CAN具有抑制复杂背景和突出目标缺陷的作用,因此,RPAN可以更准确的推荐出包含缺陷的候选框。实验结果表明,所提的Faster RPAN-CNN检测模型实现了非常高的缺陷检测准确率提升。3)针对复杂背景下的光伏电池板小目标缺陷检测问题,本文提出一种深度学习目标检测框架AG-YOLO v3（Attention Guided You Only Look Once Vision 3）。AG-YOLO v3采用了提出的自注意力门堆积神经网络（Self-Attention Gate Stackable Network,SAGSN）来捕获不同尺度特征层之间的缺陷信息。SAGSN首先采用提出的自注意力门（Self-Attention Gate,SAG）网络实现高层特征和低层特征多尺度融合,并抑制复杂的背景特征,接着将注意力门网络的输出特征与高层特征融合,实现高层语义特征的充分利用,提高小目标缺陷的特征表达能力。实验结果表明,本文所提的AG-YOLO v3获得了优异的小目标缺陷检测效果。