带钢是各类轧钢企业为了适应不同金属或机械产品的需要而生产的一种窄而长的钢板,其生产技术水平是衡量一个国家钢铁工业发展水平的重要标志之一。带钢因其良好的机械性能,被广泛应用于汽车、国防、航空航天等领域。带钢的表面缺陷不仅会影响产品的外观质量,而且会降低产品的使用寿命。因此,带钢生产过程中需要进行质量检测,以便及时发现和控制缺陷。与传统的人工视觉检测方法相比,基于深度学习的带钢表面缺陷分类方法可以有效提高产品外观质量的检测效率、企业的经济效益,降低工人劳动强度。本文以关系网络为基础,通过对该网络整体结构、激活函数和损失函数的研究,提出了两种改进的关系网络,实现带钢表面缺陷检测与分类。本文的主要研究内容和结果如下:（1）首先分析了世界钢铁的生产现状,指出在带钢的生产过程中进行表面质量检测的必要性,系统阐述了深度学习算法及其应用、基于缺陷图像的带钢表面缺陷分类方法的国内外发展及其相关技术的发展现状。最后明确了本文研究目标和内容安排。（2）提出一种强化模糊因子的模糊局部信息C均值聚类算法,解决了模糊局部信息C均值聚类算法模糊因子作用效果局限性的问题。基于对模糊局部信息C均值聚类算法及其模糊因子特点的研究,引入平方因子加强模糊因子的作用效果,使得该算法在保留有用信息的前提下尽可能的祛除干扰信息;通过人工图像、散乱零件图像和NEU-DET数据集斑块类图像对该聚类算法进行了验证。结果表明:加强模糊因子的模糊局部信息C均值聚类算法相比传统的聚类算法去噪效果更好,在降噪和细节保护上的平衡性能更优。（3）基于关系网络模型和网中网模型,设计了一种改进关系网络的小样本带钢表面缺陷分类方法,该方法将网中网模型可以增强网络对局部感知野的特征辨识能力和非线性表达能力的优点与关系网络模型相结合;采用一种新的自正则化、非单调函数作为激活函数,修正后的平均绝对误差作为损失函数,允许更多的信息流入神经网络,使模型学习到更精细的样本特征,实现精准特征表达,从而提高算法的准确性和泛化能力。（4）融合残差网络与关系网络的优点,提出了一种混合的小样本带钢表面缺陷分类算法模型,解决关系网络分类模型在训练后期易陷入过拟合的问题。基于残差网络的原理及特点分析研究,将残差块和关系网络融合,在数据集预处理阶段利用强化模糊因子的模糊局部信息C均值聚类算法对数据集进行分割,消除干扰信息对缺陷特征的影响。通过多组对比实验证明新分类模型相比原关系网络的分类准确率和稳定性更好。