表面缺陷检测是产品质量控制的重要一环。基于机器视觉的表面缺陷检测技术作为一种高效可靠的解决方案,受到了广泛研究,并逐渐投入到了实际生产当中。近年来,深度学习技术在机器视觉领域不断取得突破。为了提升缺陷检测效果,将深度学习引入表面缺陷视觉检测成为当下机器视觉领域的研究热点之一。本文研究基于深度学习的一般性表面缺陷检测算法,着重解决表面缺陷检测中的两类问题,即定性判别缺陷有无的缺陷识别问题和定量分析缺陷的缺陷分割问题,并在自建的纽扣缺陷数据集和另外三个公开数据集上进行算法评估。针对缺陷识别问题,本文研究一种基于全卷积分块检测的缺陷识别算法。该算法将分块检测的思想引入ResNet全卷积神经网络中,在实现局部判别机制的同时,克服了传统分块检测感受野不足的弊端。相比于原始ResNet图像分类算法,该算法具有更强的泛化能力和对微小缺陷的检测能力。在纽扣、焊缝和硅钢带的缺陷识别任务中,算法综合检测准确率提高了1.13%~8.27%。针对缺陷分割问题,本文研究一种基于改进的deeplab v3+的缺陷分割算法。根据缺陷分割任务的特点,本文算法更加强调低层次局部特征的利用。算法在deeplab v3+网络结构基础上增加了分支网络,改进了主干网络和解码网络;采用局部图像输入的训练策略,隐性扩展训练样本。相比于原始deeplab v3+算法,本文算法在纽扣、路面、焊缝和硅钢带的缺陷分割任务中,F1分数提高了2.65%~3.35%。为了解决实际缺陷检测任务中普遍存在的缺陷训练样本不足的问题,本文提出基于生成式对抗网络的缺陷仿真算法。本文提出了具有编码-解码结构的仿真网络和针对局部图像生成的区域训练策略。在充分的对抗训练后,仿真网络能学会在正品样本的基础上生成指定类型和形状的仿真缺陷。对纽扣、路面、焊缝和硅钢带的缺陷检测实验显示,结合缺陷仿真算法可以降低基于深度学习的缺陷检测模型对缺陷训练样本数量的要求。