太阳能具有清洁、无污染和可再生等特点,已经成为各国最为重视的新能源之一。光伏发电技术的主要部件是太阳能电池组件,其质量的优劣直接影响到太阳能电池组件的光电转换效率。太阳能电池板在生产、运输与使用过程中都容易受到损伤,且由于组装完成的电池组件中小电池板数量多、缺陷类型多、背景复杂和数据采集过程中存在光照不均等因素的影响,使得太阳电池组件的缺陷识别任务具有挑战性。传统的缺陷识别方法存在一套参数很难通用,泛化能力差等问题。因此,研发高效、精准和通用性强的太阳电池组件缺陷识别算法具有重要的现实意义。本文针对太阳电池组件的缺陷识别提出一种改进的卷积神经网络模型算法。主要研究内容如下:（1）构建了用于太阳电池组件缺陷识别任务的数据集。原始的太阳电池组件图像无法直接用于卷积神经网络的训练,首先使用Grab Cut算法去除原始太阳电池组件图像的黑色背景,然后利用透视变换法对存在倾斜、畸变的图像进行矫正后,再对组件图像进行分割得到小的电池板图像,最后对其分析整理,按照类别构建太阳能电池板数据集。（2）针对太阳能电池板数据集存在严重的类别不平衡,以及使用传统数据增强算法无法有效提升数据集的多样性等问题,本文对传统深度卷积生成对抗网络进行改进,提出一种用于太阳能电池板数据增强的生成对抗网络Solar GAN,使其能够生成更高质量的太阳能电池板图像。实验结果表明,Solar GAN生成的太阳能电池板图像与其他生成对抗网络相比在多个图像质量评估标准下都有突出的优势。（3）针对太阳能电池板中的缺陷存在缺陷种类多、具有隐蔽性和相似性等特点,提出了一种改进的多尺度卷积神经网络模型,该模型由三个不同尺度通道的端对端的卷积神经网络模型构成。实验结果表明,与其他网络模型相比,本文模型在多个评价指标下对缺陷识别都取得了较好的结果。