飞机在飞行过程中,受到不可控的环境等外部因素影响,容易出现各种损伤。这些损伤对飞机的安全飞行有较大的威胁,在地勤维修工作中,需要快速且有效地检测飞机表面伤痕。飞机表面伤痕检测问题可以归类为计算机视觉领域的目标检测问题。目标检测算法主要分为两类:传统的图像处理和模式识别方法,和基于深度学习的目标检测方法。相比于传统算法,基于深度学习的目标检测算法需要大规模的样本,检测准确率更高。然而,基于深度学习的目标检测算法通常采用具有大规模参数的复杂深度神经网络结构,计算复杂度较高。在需要快速或实时监测的应用场景中,降低模型的参数量并提高计算速度,具有重要意义。本论文针对飞机伤痕的快速检测问题,构建了一种结合注意力机制的轻量化飞机表面伤痕目标检测算法,在保持算法检测准确率或降低较小的前提下,提高算法的检测速度,主要研究内容如下:本论文采用轻量化模型和轻量化方法设计并实现轻量化深度神经网络结构。为了构建轻量化模型,本文采用轻量化的基础网络结构降低模型参数量,然后增加浅层特征图通道,融合下采样过程中的浅层信息和上采样过程中的深层信息,以维持轻量化模型的检测性能。在轻量化方法方面,本文应用知识蒸馏方法,在CenterNet结构的检测头部分应用基于输出响应图的离线蒸馏方法,并设计相应的损失函数。通过学习重型网络的特征表示,知识蒸馏方法能够提高轻量化神经网络的特征学习能力。实验结果表明,轻量化模型和知识蒸馏方法在检测准确率降低较小的情况下,有效降低了模型的参数量和计算量,提高了模型的检测速度。相比于重型神经网络,轻量化模型的检测准确率有所下降。针对此问题,本论文构建了一种注意力机制模块CAM（Channel-Adjustable Attention Module）结构,在增加少量参数量和计算复杂度的条件下,提高了模型的检测准确率。实验结果表明,结合CAM结构的轻量化深度神经网络模型在飞机伤痕样本数据集上,检测速度达到65.27FPS,在交并比阈值为0.3时的平均准确度为56.59%。本文所设计的轻量化飞机表面伤痕检测算法,参数量较小,计算复杂度较低,能够在维持检测性能或降低较少的情况下,实现快速的伤痕检测。