目前很多工业场景下工件的表面缺陷检测环节仍需要通过人工方式进行,很难采用自动化的设备来完成。该领域仍是困扰多个行业的行业难题。自从2013年深度学习领域在算力和理论上的大幅度发展,为该类问题的解决提供了希望。本文以电池表面、铝板表面、汽车零件和布匹四个实际的工业缺陷检测场景为背景,以两阶段目标检测算法为基础算法进行多方面的改进,全面将深度学习方法整合应用在工业场景中。本文的主要研究工作概述如下:首先,通过对工件进行光源实验,设计了动态立体光源,解决了单一光源下很多缺陷无法成像的问题。采用多图叠加联合检测的方式,保证了每一类缺陷都可以在相机下无所遁形。然后,为了尽可能准确的检测到小目标和多尺度目标,本文在多尺度特征的提取方法上采取了三种方法。首先在图像输入网络之前通过图像金字塔的方式将输入图片进行预处理,将缺陷无论大小放缩到一个合适的尺度上,使检测网络在处理起来相对容易;其次在特征提取上采用了特征金字塔的方式,分别在检测主网络和候选框提取网络中融入了特征金字塔的思想,使每一层特征图都可以包含多尺度的信息;然后在主网络最后一层特征图采用了一个相关性约束,使特征图的非相关性增强,可以在一层特征图中表征更多的信息。接下来,为了使本文改进的算法更好的适应工业缺陷检测场景,在算法上针对某些特定要求进行了改进。首先对多通道光源进行了主网络的改进,是多通道图片进行融合可以联合训练;其次针对工业检测图片多为高分辨率图片,对显存占用巨大导致批量减小进而影响模型分布,采用组正则化的方式使模型在小批量情况下依然可以正常训练;然后通过结合了区域候选网络的级联方法,很好的提高了最终的检测精度和候选框回归的准确度;最后针对需要提取缺陷形状的需求,增加了掩模分支,使缺陷可以进行图片分割获得外形轮廓。最后,构建了四种数据集,通过实验发现改进算法在四种数据集上均可以有较好的表现。另外在工程上开发了一套产线上检测系统、一套训练用系统、一套工厂数据管理系统和一套半自动标注平台帮助工厂进行算法落地。形成一套闭环解决方案。