X光检测技术（X-ray Testing）可以在不破坏物体本身的前提下对物体内部特征成像,在零部件检测、焊接检测、医学影像分析和安全检查等领域得到广泛应用。随着机器学习和计算机视觉技术的发展,传统图像识别的准确率得到了显著提升,但是X光图像的铸件缺陷检测算法仍然面临诸多挑战。首先,目前常用的铸件数据集（Xdefects）比较简单,没有考虑更加复杂的场景（比如随机摆放的物体和杂乱的背景）。传统的图像特征提取算法,比如HOG,LBP,SIFT,Gabor,对数据和场景有较多的假设,难以迁移到其他应用场景;其次,目前缺陷检测算法通常将缺陷检测过程定义为定位或者分割任务,这需要边界框和掩膜标注监督算法的学习过程。然而,定义缺陷的边界是困难的,因为这些缺陷往往形状多样且易与背景混淆。同时随着数据量的增加,标注数据需要花费大量的时间。最后,现有的缺陷检测算法对位姿和形状复杂的铸件存在较高的漏检率,检测算法的定位精度比较低。为解决上述问题,本文首先采用卷积网络学习缺陷特征,卷积网络具有更好的特征迁移能力。其次,本文将缺陷检测过程定义图像分类问题,并且通过视觉注意力机制提高卷积网络对细小缺陷特征的学习能力,实现弱监督缺陷检测。最后,本文结合多任务学习、视觉注意机制和迁移学习,利用定位任务和分割任务中信息的互补性提高卷积网络对复杂铸件缺陷定位精度。本文的主要研究内容和贡献归纳如下:（1）由于缺陷检测算法在训练过程中需要边界框作为监督信号,本文结合视觉注意力机制和双线性池化技术提出弱监督缺陷检测算法。该算法在学习过程中只使用图像的类别作为监督信号,而不需要边界框或者掩膜作为监督信号,从而减少了标注边界框的负担。该缺陷检测算法具有以下特点。首先,通过在双线性卷积网络中融合视觉注意力机制提升算法对判别性区域和缺陷区域的特征学习能力;其次,通过深度可分离卷积减少现有视觉注意力模块中不同通道的相关性和不同空间位置的相关性,使注意力模块提取的特征更加多样化。该模块简单有效,可以和其他任何卷积网络融合。实验证明该算法比其他主流卷积网络的缺陷识别率更高,在公开数据集Xdefects上也取得较好表现。（2）铸件图像中噪声多、缺陷小且缺陷通常是非同质区域,诸多因素导致现在的缺陷定位算法识别率低。本文结合几种新方法提升卷积网络的缺陷定位精度。首先,基于掩膜-区域卷积网络,结合缺陷检测任务和分割任务,利用它们之间的信息互补性和约束性对学习算法实施正则化;其次,结合空间注意力机制和特征金字塔网络,利用空间注意力模块强化不同特征层的语义信息融合质量,提升卷积网络对小目标的检测能力;最后,利用现有的大规模数据集Image Net和COCO进行预训练,弥补缺陷数据量的不足。实验证明多任务学习、空间注意力机制、特征金字塔和迁移学习可以提升卷积网络的定位精度。