太阳能电池是光伏发电系统的关键部件,太阳能电池的在线质量检测保证了光伏组件的转换效率和使用寿命。由于太阳能电池的背景纹理不均匀、缺陷与周围背景（包括随机分布的晶体颗粒）的对比度低、缺陷形式复杂多变等问题,使得太阳能电池EL图像中的缺陷检测成为一项具有挑战性的任务。目前,纹理分析技术已被广泛应用于各种均匀背景下的表面缺陷检测中,但难以处理类似于太阳能电池这种非均匀纹理。因此,本文研究了复杂背景下多晶硅太阳能电池片EL缺陷检测算法,具体研究内容与贡献如下:（1）针对非均匀复杂纹理背景的随机干扰导致缺陷纹理特征难以提取的问题,本文首次提出了一种基于结构-纹理分解框架的太阳能电池缺陷检测方法。首先通过全变分分解模型将原始图像分解成结构分量和纹理分量,实现了复杂背景和裂纹缺陷结构的解耦;然后,分别对结构分量和纹理分量进行L₀梯度最小化和相对总变分操作,提取出高梯度的结构信息,并且抑制了重复的纹理模式;接着,为了得到完整清晰的缺陷结构信息,本文提出了一种基于小波变换的融合规则,将处理后的结构分量和纹理分量实现了有效地融合。最后,利用傅里叶变换和自适应阈值来定位缺陷。实验结果表明,针对非均匀背景下的多晶硅太阳能电池片缺陷检测,本文所提的方法有效地抑制了复杂背景的干扰,同时保留了清晰的裂纹结构信息,与现有的传统缺陷检测方法相比具有更高的准确率和召回率。（2）为了解决小样本情况下缺陷的自动特征提取问题,本文又提出了一种基于结构先验卷积神经网络（Convolution Neural Network,CNN）的太阳能电池片缺陷检测方法。首先,利用定向各向异性结构测量（Directional Anisotropic Structure Measurement,DASM）模型对原始图像进行纹理抑制来提取图像的结构信息,从而减少CNN特征提取的负荷;其次,将结构特征传输到卷积神经网络中,以此来提升特征的区分性,从而提升模型的泛化能力;然后,通过类别激活映射算法对特征图进行线性加权生成缺陷图像的类激活图;最后,利用最大类间方差法对类激活图进行自适应分割。通过在所建立的数据集上进行验证,实验结果表明,本文提出的方法在训练样本有限的情况下也能够实现良好的分类效果。