作为手机屏幕的重要组成部分,手机玻璃盖板具有保护触摸屏、保证透光率的功能。在其生产过程中,由于生产生成过程中不可避免的会存在包括划伤、凹凸点,墨渍、点污等产品缺陷和质量问题。为提升产品良率,对生成后的手机玻璃盖板进行有效的质量检测成为必须。针对手机玻璃盖板缺陷检测问题,本文以深度学习图像处理理论为基础,展开了如下研究:（1）搭建了针对手机玻璃盖板缺陷检测的双侧远心线阵视觉图像采集系统,并对成像模型和动态扫描成像标定方法进行了研究。通过对线阵相机扫描方向做类投影变换处理,进而结合仿射成像建立了双侧远心线阵成像系统的几何成像模型;分析了影响成像效果的各类畸变因素,包括扫描方向速度波动导致的畸变以及成像镜头畸变;给出了所提成像模型的内外参数求解方法及标定流程并通过真实标定实验和仿真实验对所提方法的有效性进行了验证。实验结果表明该方法可有效实现双侧远心线阵成像系统行、列两个方向的标定。（2）针对手机玻璃盖板缺陷检测中的缺陷识别问题,提出了基于YOLO和SSD的改进型缺陷识别深度学习网络。结合了目标识别网络SSD、YOLO＿v3的网络结构与损失函数特点,提出了适用于手机玻璃盖板缺陷检测的轻量化改进网络。给出了缺陷识别网络的对比实验方案与识别结果评估标准,并通过实验验证了本文轻量化改进网络在缺陷识别数据集上的识别效果的有效性。进行手机玻璃盖板样本进行实际产品缺陷检测实验,通过实验验证了本文缺陷检测算法准确性与检测速度实时性。（3）针对手机玻璃盖板缺陷检测中的缺陷分类问题,开发了基于GAN网络的均衡模拟样本生成方法,并对基于深度学习的手机玻璃盖板缺陷分类算法进行了探索。提出了基于卷积生成对抗网络（GAN）缺陷模拟方法,并通过缺陷模拟实验对凹凸点、墨渍、划伤三类稀缺缺陷进行模拟效果评估。基于深度学习理论设计了手机玻璃盖板缺陷分类模型。通过缺陷分类实验验证了采用GAN网络的均衡样本生成能有效提高缺陷分类网络的分类能力,基于ResNet50的深度学习分类网络获得最优缺陷分类准确率。实验显示缺陷分类方法分类效果与GAN网络缺陷模拟效果达到本文需求。