随着经济的发展,人们的物质生活水平不断提高,汽车已经成为人们工作和出行必备的交通工具。轮胎作为汽车直接与地面接触的部件,主要用于承载汽车重量,缓冲和减震。轮胎的质量直接关系着行车安全,对于保障驾驶员的安全极其重要。传统的轮胎质量检测主要依靠X射线成像配合裸眼检测,该检测方式具有检测效率低、主观性强、难以满足实时检测的需求等缺点。近年来,随着计算机视觉技术的快速发展,国内外学者提出了一系列工业缺陷检测算法,为工业产品表面质量评估提供了参照。然而,轮胎X射线图像复杂的各向异性纹理背景、缺陷与背景间低的视觉质量、各类缺陷间相似性和同类缺陷间的差异性等特点,使得传统方法用于轮胎缺陷检测具有巨大挑战。本文以目前常见乘用车子午线轮胎（以下统称轮胎）X射线图像为研究对象,基于深度学习技术提出轮胎缺陷的分类、检测和分割方法。设计了与传统方法的对比实验,验证了所提方法的优越性。本文主要研究内容和贡献如下:（1）建立了轮胎缺陷数据集,涵盖了轮胎X射线图像主要的缺陷类型,包括胎面异物（245幅）、胎侧异物（337幅）、胎面帘线开裂（218幅）、胎侧帘线开裂（331幅）、胎侧帘线重叠（132幅）和气泡（187幅）。分别采用LabelImg和Labelme小程序制作了相应的目标检测矩形框标签和语义分割像素级标签,并对数据集进行了随机旋转、尺度变换、像素平移和拉伸,扩充后的数据集达7250幅。（2）提出了一种基于卷积神经网络的轮胎缺陷分类算法。传统的基于特征提取和分类器的目标分类方法,大多需要经验性主观设定参数而导致分类结果的互异性。为克服传统分类方法对多纹理、各向异性背景下缺陷分类的不适应性,本文提出一种基于卷积神经网络的方法,提取缺陷的深度特征并对轮胎缺陷进行分类,采用迁移学习策略和合适的优化器以加速网络的收敛。实验结果表明,本文提出的分类方法在轮胎缺陷测试集上的综合分类准确率达96.2%,测试集图像平均分类时间为0.012s/幅。（3）针对主流的目标检测深度神经网络在检测的过程中容易出现目标丢失现象,为解决轮胎复杂纹理大背景下的小目标缺陷检测问题,增加目标检测网络对小目标缺陷的适应性,在YOLOv3网络的基础上,本文提出一种基于K-means聚类算法的网络锚框尺寸优化方法以增加网络对轮胎缺陷的适应能力。针对目标检测网络IoU（Intersection over Union,IoU）损失函数,当IoU=0时,无法反映出预测边界框与实际框之间的距离,没有梯度返回,训练无法进行。引入了C检测框,即包含预测边界框和目标真实框的最小矩形框,解决了当预测边界框和真实框不重叠时,训练中止的问题。本文利用上述方法对YOLOv3网络进行了优化,实验结果表明,优化后的YOLOv3的AP（Average Precision,AP）值达到了91.39%,实现了高质量的轮胎缺陷感兴趣区域提取。对分辨率为2469*11400的整幅轮胎X射线图像的检测时间为1.090s,能够满足工业生产的在线检测要求。（4）为解决特征提取网络低层和高层特征分别对目标的形态,边缘和语义信息具有强的表征能力,单独采用高层特征做预测不能完整的反映缺陷的轮廓信息。本文基于PSPNet（Pyramid Scene Parsing Network,PSPNet）,采用金字塔特征融合网络实现高层和低层特征的融合,结合空间金字塔池化交替扩大感受野,同时网络引入了一种注意力机制用于更好的表征有用特征,弱化无用特征。改进后的网络模型在轮胎缺陷分割中取得了较好结果,分割精度mIoU（Mean Intersection over Union,mIoU）值达87.86%,对测试集图像的平均检测时间为0.068s/幅,整幅轮胎的检测时间为1.158s,能够实现高效的产品智能质量控制。