表面缺陷作为最常见的质量问题之一,广泛存在于金属、陶瓷、纺织等产品中。不仅严重影响产品外观,还会改变产品性能（如表面摩擦力等）,造成安全隐患。因此,如何实现快速准确的识别产品表面缺陷,成为了亟待解决的问题。近年来,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习模型逐渐成为表面缺陷识别中的研究热点。然而,现有方法仍存在以下两点不足。从模型的角度来看,现有方法对CNN的训练过程缺乏引导,识别结果仍需进一步提高。从问题的角度来看,现有方法与问题的结合度不高,对于小样本、低质量等特性考虑不足,导致应用场景受限。针对上述问题,本文提出了一种基于特征聚类的卷积神经网络模型（Feature Cluster-based CNN,FCCNN）,利用特征聚类引导模型训练,实现图像的准确识别。随后,将FCCNN引入表面缺陷识别问题,并针对小样本和低质量等特性进行了改进,同时,在某冷轧带钢车间进行了实例验证。本文的主要内容如下。针对CNN模型,通过对其特征空间分析,提出了基于特征聚类的卷积神经网络模型（FCCNN）。设计了带有特征-识别标签双输出的网络结构,并引入了特征聚类机制,引导模型学习过程,提升图像识别效果。基于MNIST、CIFAR10等通用图像测试集的实验结果显示,本文所提出的FCCNN方法可以有效提升图像识别效果,识别结果优于其他CNN模型。针对常规表面缺陷识别问题,基于FCCNN模型,提出了一种基于VGG16的FCCNN表面缺陷识别方法。首先,设计了基于VGG16的新的网络结构,其次,利用预训练权值替代了FCCNN的预训练过程,有效降低了训练成本,最后,在模型中引入了Dropout、全局平均池化等策略,进一步提升了泛化效果。基于钢铁和布匹表面缺陷的实验结果表明,本文所提出的基于VGG16的FCCNN表面缺陷识别方法相较于其他方法,识别结果有着显著提升。针对小样本缺陷识别问题,提出了基于多尺度特征融合的FCCNN小样本缺陷识别方法。首先,利用高斯金字塔实现了缺陷图像的多尺度特征提取,然后,针对各个层级建立FCCNN模型进行训练,随后设计了一种基于均值加权的晚期特征融合策略,从而实现小样本下缺陷的准确识别。基于钢铁和木材的表面缺陷实验结果表明,所提方法在小样本缺陷识别问题中具有良好的识别效果,优于其他对比方法。针对低质量缺陷图像识别问题,提出了基于图像重构的FCCNN低质量缺陷识别方法。首先,提出了一种基于生成对抗网络的低质量缺陷图像重构方法,通过生成对抗网络学习缺陷图像的潜在信息,实现低质量缺陷的高质量重构。然后,基于重构图像,利用FCCNN模型进行缺陷识别。基于带噪声和遮挡缺陷图像的实验结果表明,所提算法能够准确地重构并识别低质量缺陷图像,识别结果相较于其他方法有着显著提升。结合上述研究成果和实际生产情况,本文针对某冷轧带钢车间的表面缺陷识别问题展开了研究。根据问题特点设计了新的图像处理方式以及损失函数,从而将本研究所提出的方法成功应用到了实际的表面缺陷识别问题,实现了更好的识别效果。最后对全文的成果以及创新之处进行了总结,并展望了未来的研究方向。