金属材料表面瑕疵会严重影响产品的质量、安全性、使用性和美观性,因此,在实际生产中将有问题的材料识别出来是至关重要的。传统的人工识别和基于图像处理的机器视觉识别无法应对实际生产中复杂多变、缺少固定形态的表面瑕疵。本文基于人工智能和深度学习的思想,以铝型材表面瑕疵作为突破口,主要应用深度学习技术中的卷积神经网络对铝型材表面瑕疵进行分类和检测研究。本文首先介绍了金属材料表面瑕疵识别的研究背景和国内外研究现状,指出了以铝型材表面瑕疵为切入口,明确了本文主要是基于深度学习中的卷积神经网络对铝型材表面瑕疵的分类和检测进行研究。接着,详细介绍了将深度学习引入铝型材表面瑕疵研究中涉及的主要知识点,包括卷积层、池化层、Softmax回归层、损失函数、卷积神经网络的训练过程和主要参数等;并且搭建了用以训练瑕疵分类网络和检测网络的实验环境,指出了利用Google cloud作为实验平台。然后,提出了一种适用于铝型材表面瑕疵的自动的端到端分类网络。基于迁移学习的思想解决了瑕疵图像标签化数据少的问题,并且利用数据增强策略极大的利用了源于阿里云平台提供的数据集。此外,文章通过分析卷积核、特征图像和显著图证明了该分类网络的内在可行性。随后,提出了一种基于深度卷积神经网络的具有自适应、自学习特点的铝型材表面瑕疵检测网络。并且在分析了瑕疵的特点后,将特征金字塔融入到瑕疵检测网络中,提出了多尺度瑕疵检测网络,解决了表面瑕疵尺寸差异大的问题。最后,对全文的工作进行总结,并给出了可以进一步研究的内容。