针对液晶面板缺陷检测中现有的基于深度神经网络的方法所面临训练数据不足、 模型泛化性能差和模型稳定性能差等问题,提出了一种基于多源域深度迁移学习的缺陷检测算法,该算法利用多种相似任务的数据集构建了多源域的训练数据,以Mask R-CNN为基础框架,采用混淆域的迁移学习方法对模型进行知识迁移,实现了对液晶面板缺陷的检测.另外,该算法还提出一种参数更新的方法,以保证多源域数据知识的迁移.为验证所提方法的有效性和实用性,本文以四个源域数据集为基础,在液晶缺陷数据集上进行了实验.实验结果表明,该算法达到了71.7％的mAP,相比于非迁移学习的方式提升了11.5％,相较于迁移学习模型VDA算法提升了3.3％.模型训练稳定后的检测效率符合工业生产的要求,证明了算法的有效性和实用性.