本文通过对目前烟标缺陷在线检测的常用方法进行分析,引入基于深度学习的目标检测技术,选择Faster-RCNN作为基本模型,并对Faster-RCNN算法模型做出改进,引入k-means聚类思想模型,对现有烟标色差检测方法进行分析,最后融合现有烟标缺陷检测算法,实现烟标缺陷检测的具体分类,设计一种新烟标缺陷检测流程。本论文的主要研究内容为:（1）分析目前各种烟标缺陷的常用检测方法,对目前的烟标色差缺陷检测,烟标条码和二维码缺陷检测,其他烟标缺陷检测方法进行研究。（2）分析目前烟标缺陷在线检测中的其他烟标缺陷检测的常用方法,包括烟标图像常见的图像处理,图像配准,缺陷检测方法,最后通过实验对比,发现烟标缺陷算法中目前存在的问题,即对面积较小的点缺陷和印刷工艺较为复杂的烟标缺陷检测精度较低,且不能对检测到的烟标缺陷进行实时分类。（3）通过对品检机上的烟标缺陷图像包括点缺陷、线缺陷、面缺陷、刮花缺陷、小面积破损缺陷、大面积破损缺陷进行采集,制作烟标缺陷数据集。选取Yolov3,SSD,Retina Net,Faster-RCNN四种模型,在自建的烟标缺陷数据集上进行训练,通过烟标缺陷测试集进行精度测试,以每秒检测烟标数确定检测速度,对比得到最适合该烟标缺陷数据集的Faster-RCNN作为缺陷检测的基本模型。实验发现该模型的烟标缺陷检测精度达到了88.8%,每秒检测烟标数为12.8。但该烟标缺陷检测精度相对于常用的模板匹配方法没有太大优势。（4）对Faster-RCNN算法进一步改进提高检测精度以适合烟标缺陷在线检测要求。首先通过对图像预处理进行改进,然后增加FPN结构,替换FPN中的普通卷积核为内卷卷积核,使模型精度提升了2.4%,最后通过使用迁移学习方法使烟标检测精度达到了97.9%,该精度大于目前使用的模板匹配算法精度,且能够实现烟标缺陷的实时分类。（5）分析目前烟标缺陷在线检测中的色差检测常用方法不足,并对已有的烟标缺陷色差检测算法进行改进,通过k-means聚类方法识别烟标的主背景色,然后对主背景色进行色差检测,此方法不需要背景去除和图像配准,降低了单张烟标色差检测时间,且在检测精度上有所提升。最后结合传统烟标缺陷检测算法和改进后的烟标缺陷检测算法重新设计烟标缺陷检测流程本文对品检机上的烟标缺陷检测算法进行改进,并对检测流程进行一定的优化,由于目前目标检测算法还没有应用于烟标缺陷检测当中,因此本文为烟标检测研究提供了一种新的方向。