产品表面缺陷检测技术已成为产品质量控制过程中的重要环节,可以有效提高产品质量和生产效率。传统的机器视觉检测方法依赖于特征的选择及提取,特征提取的好坏决定了整体检测方法的性能,这种方法不具备提取全部有用特征的能力。深度学习起源于人工神经网络,可以对数据进行逐层的特征提取,具有自动学习有用特征的能力,在产品表面缺陷检测上有着较为广阔的应用前景。因此,本文详细阐述了基于深度学习的表面缺陷检测方法。首先,针对表面缺陷检测如何选择合适网络模型的问题,分别阐述了不同网络模型的优缺点及适用场景,并以织物表面图像样本作为实验数据,选择不同网络模型进行实验验证。通过实验结果及分析,选择以卷积神经网络为基础模型进行更深入的研究。同时为了确定模型的基本结构,挑选不同参数进行对比试验,选择最优参数作为模型原始参数,能够在最大限度上减少因参数选择不当而出现的识别错误率。其次,针对现有模型对非线性特征提取不充分的问题及缺陷检测精度的需求,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)的表面缺陷检测方法。该方法首先采用多层感知机对线性卷积层进行改进,可以增强网络对非线性特征的提取能力。同时对网络算法进行优化,提高网络模型的收敛速度及识别精度以完成缺陷检测。使用织物瑕疵数据集对所提方法进行实验验证,结果表明所提方法与现有的瑕疵检测方法相比具有更高的识别精度及缺陷检出率。再次,针对由生产工艺等原因造成部分缺陷图像获取困难而导致数据不平衡,从而影响模型最终识别率的问题,提出一种基于深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)的数据扩展模型,以保证数据集分布平衡。该模型包含生成网络及对抗网络两部分,通过对原始数据的学习,可以自动生成与原始样本大小、特征保持一致的新样本,不会丢失有用信息。相比于其他数据增强方法,具有更好的适应性。然后,针对特征提取过程中有效信息的丢失问题,提出了一种基于CNN的多层次特征融合的表面缺陷检测方法。将多个阶段中提取的特征进行融合,保留更多的特征信息并一同送入到分类器中。通过实验验证,该模型要优于原始模型,能够达到很高的识别精度。同时与传统缺陷检测方法中的视觉显著模型对比,证明了其可靠性与优越性。最后,对本文所做的工作进行总结,并对表面缺陷检测方法的后续研究方向进行部分展望。