近年来,数据量飞速增长和计算机硬件的突破使卷积神经网络能够成功的应用于各行各业之中。在工业检测识别领域,随着对检测识别精度的要求越来越高,卷积神经网络通过不断增加网络的深度和特征面数目,提高网络的特征提取能力和网络的学习能力,从而达到检测精度的要求。但是在实际的应用过程中,网络模型仅仅拥有较高的检测精度并不能保证模型就能够部署到工业生产流水线上去检测和识别工件。在工业生产流水线上检测缺陷不仅要考虑网络模型的精度问题,而且还要考虑工业生产流水线上检测的实时性以及软硬件的计算开销成本。深度卷积神经网络模型的尺寸很大,不仅对存储训练模型的内存要求很高,而且检测单张图片的所属类别的计算量会很大,限制了检测识别的效率。同时考虑到在网络训练过程中需要大量的已标注好的样本数据集,而工业生产流水线上的工件缺陷复杂,对工件的标注不仅需要专业人员进行判断,而且需要花费大量的人力成本。因此,本文针对卷积神经网络模型中参数量和计算量过大的问题,对卷积神经网络模型进行压缩,并在训练的过程中采用改进的主动学习方法解决工件数据集标注困难的问题,使网络在不损失精度的前提下能够部署到工业生产线上去检测缺陷。本文主要的研究内容如下:(1)本文首先对卷积神经网络的基本结构进行了研究,阐述了卷积神经网络模型的优缺点。针对深层次卷积神经网络模型中参数量和计算量过多的问题,文中提出了一种有目标的通道裁剪方式来稀疏化深度卷积神经网络模型。网络模型在裁剪之后经过多次微调能够提升网络模型的识别精度,并且可以压缩网络模型的存储参数量和运行时的计算量。(2)针对卷积神经网络裁剪中的参数调优对经验要求较高的问题,提出了一种轻量级卷积神经网络模型来检测识别缺陷工件。提出的轻量级卷积神经网络模型是在模型训练之前通过优化卷积的计算方式来减少计算量和参数量,在训练完成以后不需要额外的人工干预措施。并通过实验验证了该轻量级卷积神经网络模型可以以高精度低消耗的检测性能直接部署在工业生产流水线上。(3)针对卷积神经网络训练过程中需要大量标注数据集的问题,本文提出了一种改进的主动学习算法。该算法是在网络模型的训练过程中,将两种主动选择策略结合起来选择均匀的样本,重新标注样本后将其加入到已标注好的数据集中,迭代训练网络模型,直到网络模型达到所要求的精度。实验验证了本文提出的主动学习算法在模型的收敛速度和节约人力成本上都有很好的表现。