天然革的缺陷部位不能用于皮鞋生产,而其缺陷的检测目前基本只能由人工完成,检测效率低,劳动强度大,亟需自动化的天然革缺陷检测、标识、切割一体化智能制造装备。但是天然革的相关数据集欠缺、缺陷种类多、存在严重的纹理干扰,导致鞋业天然革缺陷检测相当困难。目前针对天然革缺陷检测一般局限于分类算法,且集中于蜱虫咬痕等极少数的缺陷类型。因此研究天然革缺陷检测的检测方法是前述一体化智能制造装备的基础,对于提高鞋业生产效率、增加经济效益有着重要的意义。本文首先构建了鞋业天然革缺陷目标检测数据集Hust＿Leather＿Obj和语义分割数据集Hust＿Leather＿Seg,该数据集涵盖了多种尺度缺陷、多种天然革颜色、不同纹理和不同缺陷类型的天然革缺陷图片。接着提出了基于自适应权重的多尺度目标检测算法,有效减少了后续缺陷分割过程的时间及误差。其中目标检测算法的自注意力模块（Self Attention Block,SAB）是利用空间注意力和通道注意力机制让主干特征提取网络更关注缺陷部分来提高模型理解能力;而自适应权重金字塔模块（Adaptive Feature Fusion Block,AFFB）通过可训练权重来得到更合理的深浅层特征融合比例。最后提出了一种基于边界图的缺陷分割算法（Boundary-Map Based Algorithm,BBA）。其中边界保持模块（Boundary Preserve Block,BPB）利用传统边缘识别算法生成关键点边界图,作为辅助输入加强了缺陷的边界特征;而形状边界判别器（Shape Boundary-aware Evaluator,SBE）通过对比预测图与关键点边界图的一致性分数来增强模型对边界的预测精度。在鞋业天然革缺陷数据集Hust＿Leather（Obj＆Seg）上实验表明,与原有的基准网络相比,目标检测算法漏判率下降了8.69%,精确度提高了9.13%。缺陷分割算法的交并比提高了1.33%,平均像素准确率精度提高了1.03%,且缺陷边界处预测的连续性具有显著提升。相对于现有研究成果,本文可应用于更多的缺陷种类。