机器视觉技术在产品表面质量检测中有着广泛应用。随着深度学习在图像、文字识别中表现出的优异性能,以深度学习为核心的新一代机器视觉技术引起工业界和学术界的广泛重视。但是,面临着工业缺陷种类繁多、缺陷特征难以提取以及数据标注工作量大等问题,因此本文研究基于弱监督的表面缺陷检测框架,即仅用图像级标签实现缺陷检测并且还能够预测分割图像缺陷区域,主要工作内容如下:1)通过大量调研缺陷检测领域的相关文献,深入了解和学习表面缺陷检测的算法、卷积神经网络以及弱监督语义分割的国内外研究现状,同时研究了语义分割网络、图卷积分割网络以及基于弱监督学习策略的相关理论和基础。2)提出一种基于先验知识的弱监督表面缺陷检测框架,该框架主要由骨干网络、分割网络、分类网络以及基于先验的伪标签生成网络组成。针对缺陷特征难以提取的问题,在分割网络中引入MFA（多尺度特征增强模块）充分提取缺陷特征以及引入RSAM（残差空间注意力模块）使得分类网络更关注分割网络预测的疑似缺陷区域,增强网络特征提取能力;基于先验的伪标签生成网络由超像素卷积和图卷积网络组成,首先利用图像级标签训练超像素全卷积分割网络,接着构建一个2层的图卷积分割网络,将超像素分割网络输出超像素区域的特征向量矩阵以及超像素之间的关联矩阵作为输入,输出每个超像素的预测类别,合并所有超像素预测类别得到伪标签图。3)为了解决像素级标注数据难以获取问题,本文采用基于伪标签的弱监督学习策略用于约束分割网络预测输出,包括基于Topk-loss目标优化函数的多实例学习策略、基于全局先验的学习策略以及基于先验伪标签标签的辅助监督策略。其中Topk-loss目标优化函数对分割预测输出置信度得分前k个输出点进行引导学习,引导缺陷图像前k个预测响应点输出缺陷得分1,引导良品图像前k个预测响应点输出良品得分0;基于全局先验的学习策略通过统计全局最大响应去抑制局部响应;针对弱监督语义分割监督信息不足的问题,提出将基于先验知识的伪标签作为分割网络训练阶段的监督信息,为了生成更加精细的伪标签,采用基于先验知识的伪标签生成和细化方法,通过基于对抗擦除的显著性区域生成方法生成初始伪标签,采用基于超像素的预处理方法以及图卷积推理方法进一步细化得到。4)使用真实工业场景下的换向器图像作为实验数据,通过在提出表面缺陷检测框架上进行不同对比实验以及设定合适实验超参数,验证特征增强模块MFA和RSAM、基于先验知识的伪标签生成网络以及弱监督学习策略的有效性,最终在基于弱监督的表面缺陷检测实验中分类精度达到98.61%,分割m IOU达到71.51%。