太阳能电池作为新一代清洁能源的制造者,其缺陷的存在极大地影响太阳能电池使用寿命和转换效率。基于机器视觉的太阳能电池缺陷检测技术为太阳能电池成品质量提供了有效保障。然而,由于太阳能电池缺陷样本数据规模少、背景出现非均匀随机纹理分布等情况,依靠大量数据训练的深度学习方法和基于背景重构的方法应用于太阳能电池缺陷检测时存在诸多问题。为此,本文提出了一种基于生成对抗网络的太阳能电池缺陷数据增强方法和一种针对非均匀随机纹理背景重构及缺陷检测方法。具体研究内容和成果如下:（1）针对太阳能电池EL缺陷样本规模不足、样本类别不均衡影响缺陷检测性能的问题,本文提出了一种正常样本引导的生成对抗网络模型,用于太阳能电池缺陷样本的数据增强。在生成对抗网络中,通过引入大量正常样本并增加引导损失项,促进模型对缺陷样本特征的表达,提升生成样本的多样性。另外,设计了一种自适应的权值约束方法,以平衡生成器和判别器的学习能力,提升生成样本质量。为了验证提出方法的有效性,本文分别在太阳能电池EL数据集、带钢表面缺陷数据集和DAGM2007公共数据集上进行了验证。实验结果表明,在缺陷样本数量相同的情况下,本文提出的方法生成图像的MMD、1-NN等指标均优于DCGAN和WGAN-GP,图像的生成质量更高。此外,利用本文提出的数据增强方法增强样本进行分类时获得F1检测指标均优于DCGAN和WGAN-GP模型进行数据增强的分类结果。（2）针对现有基于背景重构缺陷检测方法对具有非均匀随机纹理分布的太阳能电池EL图像背景重构效果差、缺陷检测精度低问题,本文提出一种反例映射生成对抗网络的背景重构与缺陷检测方法。为解决非均匀随机纹理背景重构问题,本文将背景样本的反例样本加入到生成对抗网络中,在生成器损失函数中添加映射损失项,以度量缺陷样本中的背景重构损失;并设计一种重构损失项,以提升模型对背景细节信息的重构效果。最后,通过度量输入样本和重构样本的结构相似性,并设定阈值对缺陷样本和正常样本进行判别。实验结果表明,相比于采用AAE、Cycle GAN和f-Ano GAN等方法进行背景重构的实验结果,本文提出的方法对非均匀纹理背景的太阳能电池EL图像背景重构误差更小,缺陷检测精度更高。