近年来,低对比度缺陷检测一直是机器视觉中的难题。在产品质检环节实现自动化检测是工业环境中亟待解决的问题。对于对比度低、纹理特征极少的情况,传统的机器视觉领域还没有鲁棒性强、准确率高的方法。水斑就是一类典型的对比度低、纹理特征极少的缺陷,在缺陷检测领域中也称为水印。此类缺陷通常在超声清洗等操作后出现在一些产品的表面上。在传统的机器视觉方法中,对于这种缺陷没有很好的解决方案。近年来,基于深度卷积神经网络的方法为这一问题提供了新的解决方案。该方法的优势在于并不需要人为设计特征提取算法,利用梯度下降的方式自主更新权值。这种处理方式与人类视觉系统处理方式相似,已成为多学科交叉的研究方向。本文的主要工作内容为:介绍数据集采集方法及深度卷积神经网络的分类方法,从概率的角度解释深度卷积神经网络分类原理。同时,提出了一种基于先验网络的新型网络结构,用于低对比度缺陷检测。将提出的网络成功地应用于检测CCM(CMOS Camera Module)是否被水斑或水印污染。水印缺陷和相邻区域之间的灰度差异通常只有几个灰度级。在极端情况下,灰度差异仅为2到4,即使在此较为极端的条件下分类精度仍然超过了89%。将本文提出的方法与传统滤波方法Gabor滤波器,以及传统的深度卷积神经网络分类网络模型进行了详细对比分析,实验结果表明本文所提出的基于先验网络(PrNet)的模型,可以显著减少训练参数,加快计算速度,提高分类精度。