板带钢作为我国重要的金属板带材,当其表面出现缺陷时,不仅影响产品的外观,而且会对性能产生不良影响。然而目前基于人工目测的缺陷检测方法已经不足以满足当前产品自动化生产的步伐,这迫切需要一种高效的在线质量检查系统以促进产品表面质量的提升,其中基于机器视觉的表面缺陷图像检测技术已经成为产品质量控制的研究热点之一。而为了能够从大量图像中快速寻找到有用信息,本文引入了视觉显著性检测技术。该技术能够模拟人类视觉注意机制,在接收场景信息时会选择重要的视觉区域进行优先处理。因此,将视觉显著性检测方法引入到板带钢表面缺陷检测中能够大大提高缺陷检测的效率,此外引入视觉显著性检测的结果更符合人的视觉认知需求。然而实验结果表明现有的显著性检测方法在板带钢缺陷检测数据库上的表现并不太理想,尤其是在处理背景杂乱、弱对比度以及受噪声干扰的缺陷图像时。本文围绕现有显著性检测方法存在的不足,进行深入研究与实验验证,先后提出了两种有效的显著性检测算法。论文的主要研究内容如下:（1）为了解决目前表面缺陷检测领域评价标准不完善的问题,本文利用开源标注工具LabelMe对3类（包括夹杂、斑块和划伤）总共900张板带钢缺陷图进行人工标注,生成其对应的像素级别真值图,组成SD-saliency-900基准数据集,用于评价不同算法的优劣。（2）本文将板带钢表面缺陷检测问题转化为显著值估计问题,并提出了一种基于多约束及改进纹理特征的显著性检测算法即MCITF（multiple constraints and improved texture features）。该算法构建了 83维精心设计的纹理特征组,有效地解决了现有显著性检测算法特征辨别力不足的问题。之后基于多示例学习框架获取可靠的标签矩阵,并引入拉普拉斯正则项以及高层先验约束,通过对模型的优化求解获得封闭形式的最优解,由此获得高质量的显著图。大量的实验结果表明本文提出的MCITF模型一致优于其他先进的检测算法,且具有较好的鲁棒性。（3）为了同时满足工厂在线监测对检测精度、实时性和鲁棒性的高要求,本文利用深度学习的显著优势,提出了一种基于编码-解码残差精细化网络的显著性检测算法即 EDRNet（encoder-decoder residual refinement network）。该算法在编码阶段利用ResNet特征提取模块学习丰富的特征表示,并融合卷积注意机制以关注重要区域的特征提取。在解码阶段交替利用本文设计的通道加权模块和残差解码模块,有效整合上下文信息,逐级恢复出更完整的空间预测显著值,得到粗糙的显著图。最后利用本文构建的残差精细化模块,获得最终精细化的高质量显著图,其能够有效凸显并均匀高亮完整的缺陷目标,极少甚至不包含背景噪声,并且获得了清晰的缺陷目标边缘,检测效果接近甚至优于人工标注的真值图。实验结果表明,相比于其他先进的基于深度学习的显著性检测算法,EDRNet实现了最好的检测效果和鲁棒性,并且实际的检测效率高达27fps。