中国作为世界上最大的制造业国家,每天都会生产大量的工业产品。对于其中一些产品比如玻璃、织物、瓷砖等,不仅要求其具有合格的使用性能,而且需要具有良好的外观,也就是产品表面不能存在缺陷。随着市场需求的不断加剧,如何对大量产品表面进行及时的、高质量的缺陷检测成为了工业领域的研究重点。传统的图像分析技术在处理产品表面缺陷等复杂图像时具有一定的局限性,而深度学习技术尤其是卷积神经网络在处理图像特征方面具有明显的优势,这使得后者成为了产品表面缺陷检测的主流解决方法。目前表面缺陷检测的研究主要包括缺陷定位与缺陷多分类等问题。本文的研究主要考虑解决两个问题,一是如何利用无监督学习进行准确的缺陷区域提议,二是如何结合无监督学习与监督学习进行有效的多分类。与之对应的缺陷检测算法主要面临以下挑战:1.由于工业产品中普遍存在样本不均衡问题,基于监督学习的缺陷检测算法经过不均衡样本集训练后,会出现漏检、误检等情况,除此之外,获取训练模型所需要的大量有标注的缺陷样本集是十分困难的,而且成本十分昂贵;2.基于无监督学习的方法虽然能够在异常检测角度不受不均衡样本集的影响,但是它对缺陷区域的提议不够完整,并且无法进行缺陷的多分类。为了解决上述方法存在的问题以及所面临的的挑战,本文提出了无监督与监督学习相结合的面向不均衡样本的表面缺陷检测算法。首先通过改进的基于无监督学习的多层特征卷积自编码器进行缺陷区域提议,有效提升了网络对缺陷区域的召回率,在完成缺陷定位任务后,通过基于监督学习的多尺度检测网络进行缺陷的多分类与位置微调,从而提升了网络对各个缺陷类别的识别率。本文主要工作如下:针对缺陷定位:首先提出基于多层特征融合的卷积自编码器MLF-CAE用以提高缺陷区域的召回率,并结合改进的二次扫描连通区域算法进行缺陷区域提议。其次,将总变化损失引入MLF-CAE模型,保持生成图像分段光滑的同时能够有效抑制分割图像的噪声,提高缺陷区域提议的精确率。针对缺陷多分类和位置微调:将无监督缺陷区域提议网络与多尺度检测网络进行融合,从整体框架上形成新的缺陷检测模型,能够兼顾不同尺寸缺陷的检测效果,并且使用非极大值抑制策略进行最终结果的筛选。最后,论文在Fabrics数据集、铝表面数据集上对MLF-CAE模型和完整的缺陷检测模型进行效果验证。实验结果表明所提出的两个模型相比较改进前的方法和目前主流方法都有明显的性能提升。而且通过改变训练集中有标注样本的比例,再次验证了本文所提模型在面对不均衡样本时有更好的鲁棒性。