我国是建筑瓷砖生产制造和出口大国,随着经济发展,社会对瓷砖的需求和应用增长迅速,同时对瓷砖品质的要求也愈加严格,抛光砖作为瓷砖生产中的主流产品,因其表面光亮、耐磨以及耐腐蚀等诸多优点而深受消费者喜爱。对抛光砖表面质量进行管控,是抛光砖生产过程中的必要环节。目前国内瓷砖生产线中,除了质量检测设备外的各类设备均已实现国产化、自动化,大部分瓷砖生产企业仍然依靠人工检测手段来检查瓷砖的表面缺陷,不仅效率低且难以满足检测的一致性要求,无法适应瓷砖生产线高速智能化的发展趋势。深度学习技术凭借其强大的特征提取能力以及优秀的泛化性能,在许多工业检测任务中已经出现了较为成熟的研究成果,但将其应用于瓷砖表面缺陷检测的相关研究还较少。本文基于已有的表面缺陷检测技术以及深度学习技术,针对纹理抛光砖的表面缺陷检测,对涉及的相关技术细节开展深入研究,提出一套完整的基于深度学习的抛光砖表面缺陷检测方案。本文的主要研究内容如下:（1）针对一些抛光砖表面缺陷细微、在成像过程中难以凸显的问题,对抛光砖表面光学特性进行分析,结合实际生产环境及检测要求,设计了一套基于线阵CMOS的抛光砖表面图像实时采集系统。通过选取合适的硬件,并基于高亮线形光暗场照明的打光方式,使得系统可以稳定采集质量良好的抛光砖表面图像。（2）针对线阵CMOS图像采集系统中容易出现的沿图像横向分辨率方向灰度不均匀问题,通过对图像灰度不均匀的成因进行分析,提出了结合像元响应特性校正和灰度均值相减校正的灰度均匀性校正方法,有效提高了图像的灰度均匀性并通过量化指标评价结果。针对CMOS图像采集过程中出现的噪声会干扰后续检测的问题,对噪声的成因以及表现形式进行了分析,并通过实验选取了合适的空间滤波去噪方法。（3）针对纹理抛光砖中缺陷细微、传统图像处理方法难以对其进行稳定有效检测的问题,在对当前主流目标检测算法深入研究的基础上,比较了二阶段的Faster-RCNN网络与一阶段的YOLOv3网络在缺陷检测任务中的应用特点,结合系统的检测需求选择了YOLOv3作为检测算法的基本框架。为了提升网络的准确率,在YOLOv3中引入卷积自编码器对输入进行弱缺陷重构以增强网络的输入,实验结果表明,提出的检测网络可以有效对抛光砖表面的孔洞、针孔及划痕类缺陷进行识别,平均m AP为83.5%。（4）通过对实际生产需求进行分析,在基于深度学习的缺陷检测算法基础上开发了一套包含图像采集模块、缺陷检测模块、统计显示模块在内的抛光砖表面缺陷视觉检测软件,并对实际抛光砖表面图像进行检测实验,结果表明本文提出的抛光砖表面缺陷检测算法可以检测出宽度为0.8mm以上的缺陷,对一张600mm*600mm的抛光砖的检测时间约为7s。