在机械零部件制造加工行业中,铸造件内部缺陷检测是生产质量检查的关键一环,而目前,多数铸造加工厂仍然存在使用人工观察DR（digital radiography）图像来检查缺陷的方式。这种方法效率低下,且经常因人为原因造成漏判,效果不佳;随着计算机技术的发展,越来越多的研究人员使用计算机算法代替人工检测。然而,传统的计算机视觉方法普遍缺乏准确性和鲁棒性。为了解决如上问题,提高铸造件DR图像缺陷检测的效率,本研究提出了一种基于深度学习技术的DR图像缺陷检测方法。本文首先分析介绍了深度学习DR图像缺陷检测算法中所涉及的理论,包括卷积神经网络相关概念、目标检测相关算法等。本文结合实际工业应用中的特点,最终选用了单阶段目标检测网络作为算法模型的基本框架。通过大量主干网络与目标检测算法的结合对比实验,最终确定了一种目标检测算法基本网络,命名为YOLOv3＿Efficient Net,该改进操作显著提高了YOLOv3上的平均精度平均值（m AP）值,并减少了推理时间和存储空间。在深度学习算法训练的过程中,针对缺陷数据量较少的问题,分析DR图像数据特点,运用形位变换和尺度缩放作为算法基础的在线数据增强方法,并结合图像缺陷特点,从增强图像缺陷的深浅和形态两个角度入手,引入传统图像处理方法如图像滤波、形态学变换等,实现了铸造件DR图像数据集专用的数据增强方法,进一步提升了模型的鲁棒性和检测效果。在此前工作的基础上,为了增强算法模型在移动嵌入式设备上部署的便利性,本文对模型预测阶段网络的卷积操作方式进行了改进,减少了模型参数和内存占用。为了使模型的检测准确度进一步提高,从候选框回归的角度入手,本文分别在模型的训练和推理阶段进行了相关的研究,设计了对深度学习模型提升更高的定位损失函数和非极大值抑制方式。