深度学习的理念源于人工神经网络,其深层次的架构模型可以模仿哺乳动物神经系统的表征规则,对输入样本数据进行不断的迭代、抽象,以构建多层次的特征表示为目标,利用低层特征信息,组合得到高层的特征表示。深度学习是近几年中较为热门的研究方向,已经应用于语音处理、图像处理、自然语言表征等领域,亦取得不少研究成果。针对深度学习,本文在查阅了国内外相关文献的基础上,就深度学习在表面缺陷识别中的应用展开研究,具体工作内容如下:1.重点阐述了深度学习的基本理论,包括其发展历史以及基本思想与特点,针对深度学习包含的几类模型结构,具体介绍了模型结构与训练算法流程。根据表面缺陷识别的需求,构建了用于实验的两组数据样本集,分别为太阳能电池板缺陷与胶囊缺陷。2.针对深度学习,重点研究了其中较为主流的两类模型结构,CNN与DBNs,并在MATLAB中构建这两种深度学习模型结构并分别应用于表面缺陷识别中,利用CNN学习输入数据中的特征信息,进行分类识别;利用DBNs进行重构得到的模板图片,进而检测表面缺陷。3.针对以上两种深度学习主流算法在用于表面缺陷识别中的不足,利用了两者的优点进行结合,采用Lee H等人提出的RBM的卷积形式,即CRBM结构,参考CNN的模型特点,本文设计了一种Deep CRBM的模型结构,称为深度卷积信念网络,简称为DCBN,对输入数据进行逐层学习,将学习得到的高层特征用于缺陷识别。实验表明,该模型算法应用于表面缺陷识别,可获得较高的识别率。该模型可应用于两类太阳能电池板与胶囊缺陷样本,具有一定的通用性。