印刷品表面缺陷会极大地降低印刷品质量,同时人工对缺陷的检测非常地耗时,所以高效自动地完成对印刷品表面缺陷的检测对印刷工业生产具有很高的价值。近年来基于深度学习的缺陷检测算法得到了很大的发展,其性能也远远超过传统算法。但是基于深度的检测方式需要大量人工标注的数据进行模型训练,然而在实际生产过程中,产品的次品率非常低,这就导致我们很难采集到足够数量的缺陷正样本进行模型训练。此外,对缺陷正样本的标注十分耗费人力成本与时间成本,经济性较差。因此,这篇论文的目标是仅使用无缺陷的高分辨图像去完成印刷品表面缺陷检测分割,从而可以省去缺陷正样本的收集与标注成本,使得算法在实际生产中可以快速地部署。主要的工作如下:印刷品表面缺陷检测任务中,通常会对高分辨率图像进行裁剪,传统的剪裁方式获取的图案切片数量极不均衡,针对该问题,本文设计了一种针对对高分辨图像的端到端的剪裁方式（图像级别）。其次,由于印刷品表面的缺陷往往较小,缺陷像素数量与背景像素数量差异极大,为此本论文设计了一种简单且有效的损失函数（TSO）解决这种数量不均衡（像素级别）。针对真实缺陷样本不足的问题,本论文设计了一种在线实时生成缺陷的算法,该算法直接在剪裁出的无缺陷图片上生成缺陷,同时输出伪缺陷样本的掩膜用于模型训练。为了提高模型的分割效果,本文还基于自注意力机制设计了一个新颖且有效的语义分割模块（GST）,该分割模块可以充分利用全局信息修补缺陷检测结果,从而获得更好的检测效果。但是由于GST分割模块在训练过程中显存占用量较大,且其在过检率方面表现欠佳,为此本文设计了一个轻量的无锚框的目标检测算法（LAFD）对骨干网络的特征图进行统一化裁剪,同时解决了显存占用量过大以及在过检率上表现不佳的问题。在实验部分,为了更好地评估算法效果,本文标注了一个印刷品表面缺陷的数据集ZCC,同时采用DAGM 2007公共数据集进行评估。实验表明,本文提出的一系列算法行之有效,特别的在DAGM 2007公开数据集上,未经过特征剪裁的GST达到了最好的效果。而在本文标注的数据集上经过特征剪裁的GST则在过检率和漏检率上获得更优秀的表现。