近年来,人工智能成为了人们日常生活中的热点话题之一,而随着科学技术的发展与进步,人工智能更是应用到了科研和和工程等等多个领域当中。作为人工智能中的一个重要分支,深度学习是一个层次化的运行模式,其发展主要受生物学以及神经学在动物和人类视觉神经领域的新发现的启发。深度学习主要从原始输入数据中提取高级抽象的特征表示,而这些表示具有不错的鲁棒性和泛化能力,克服了过去人工智能中被认为的一些难以解决的问题。随着训练数据集的增长以及硬件设施的不断发展,基于卷积神经网络的目标检测和图像语义分割解决了传统的目标检测方法的瓶颈,成为目前检测与分割的主流算法。相比较于传统目标检测算法,卷积神经网络中特征提取和分类决策同时进行,实现了端到端的学习,而且随着层数的增多可以更好的处理更复杂的场景,因此,研究如何有效地利用卷积神经网络进行目标检测与图像分割具有重要价值。本文对传统算法和基于卷积神经网络的目标检测于分割算法作了深入研究,通过对网络结构的设计以及优化并应用到了板带钢缺陷检测与分割当中,达到了一定的实用性。本文主要的研究内容及成果如下:(1)实现了基于卷积神经网络的板带钢缺陷检测模型。本文通过对传统的特征提取算法,分类器选择标准以及卷积神经网络对特征提取的细化的学习,并通过对全连接层以及全卷积的实验对比,实现了对网络模型的优化(包括实时性、内存占比以及检测精度),并在实验室提供的设备中进行了网络模型的训练,成功应用到了板带钢缺陷的检测当中,达到了实时性检测。(2)实现了基于深度学习的图像语义分割的网络模型。我们知道一般的检测方法通过对目标的识别最后达到定位,但是在实际应用当中我们需要知道目标的形体结构,基于深度学习的语义图像语义分割方法,可以有效的实现图像像素级别的分类与检测,可以实现对目标的实例分割。但是目前的图像语义分割算法应用场景比较局限。本文基于SegNet算法作了改进,采用残差连接记忆多尺度特征融合,减少特征冗余,降低特征的维度;同时将VGGNet网络换成AlexNet网络,加快了网络的收敛速度,提高了算法的速度,并应用到了板带钢缺陷检测当中,可以达到对缺陷的实例分割,并且边界比较明显。(3)基于深度学习的目标检测与分割体系。本文采用了开源系统Linux,开源深度学习框架Caffe以及开源编程语言库Python实现了对体系的设计,这使得本文的工作具备一定工程性与实用价值。