社会的不断进步和持续发展促使工业生产和生活环境的多样性也在不断增加。在物品的生产和使用过程中,产品表面发生异变从而导致缺陷的发生是不可避免的。因此,如何高效、准确的检测缺陷的发生,一直是人们不断思考的问题。缺陷检测是工业生产中无法避免且必要的一个环节。科学技术的进步和近年来深度学习技术的不断突破,使得机器视觉在各个应用场景的优势也越来越明显。本文以卷积神经网络为理论基础,针对工业产品表面缺陷自动检测开展研究。本文的主要研究内容如下:1.提出了一种基于卷积神经网络且不依赖人工语义标注的两阶段表面缺陷检测的方法。方法由两个不同阶段组成,分别为掩码产生过程和检测过程。在掩码产生过程中使用卷积神经网络自动生成的掩码代替人工标注,然后将掩码用于训练缺陷检测的网络。在检测过程中利用前面生成的掩码训练一个实现缺陷目标可视化的全卷积网络,用于指示缺陷的位置,并同时实现缺陷的检测任务。通过相关实验证明了本方法能够有效的实现缺陷定位和检测。2.针对工业生产过程中有时可用样本非常少的问题,提出了一种小样本度量迁移学习的方法,用于解决传统深度学习方法中需要大量目标领域数据的困境。小样本度量迁移学习主要分为两个过程:第一个过程,用一个公开的或者便于获得的大型数据集预训练深度网络;第二个过程,将网络学习到的相关知识通过度量学习模块迁移到表面缺陷检测领域。详细的研究和实验表明,小样本度量迁移学习在缺陷检测领域具有可行性并且拥有很大的应用潜力。