挠性电路板具有密度小和可弯曲等优良特性,是电子制造领域的重要产品,其表面缺陷检测环节是保障下游电子制造产品质量的重要关卡。基于计算机视觉的表面缺陷检测算法可分为两类:基于数字图像处理技术的表面缺陷检测算法依赖先验知识来人为设计缺陷特征从而完成检测,其普适性和抗干扰性较差;而基于卷积神经网络的表面缺陷检测算法通过海量图像数据来自适应地挖掘缺陷的共性规律,提升了特征的表征能力,从而具有更强的泛化性和鲁棒性。目前,挠性电路板的表面缺陷检测任务存在如下难题:1)缺陷容易混淆在复杂的电路背景中;2)缺陷的外观和尺寸多变;3)挠性电路板的图像采集和标注成本较高,导致数据量较少。本文受生物机制启发,结合挠性电路板表面缺陷检测的难点,在深度学习技术的基础上,提出了两种基于卷积神经网络的智能仿生表面缺陷检测算法。相比于现有的表面缺陷检测算法,本文所提出的算法取得了更高的检测精度。主要内容如下:（1）从人类视觉神经系统的双流信息处理机制出发,结合Faster R-CNN的网络结构特点,提出一种基于双流结构的缺陷检测算法。在该算法中,提出基于双流结构的交互式骨干网络来生成具有多样性和差异性的特征;提出基于注意力机制的双路特征增强模块来增强骨干网络所输出特征的表达能力;提出基于传统图像特征的辅助分类策略来增强特征的语义性,提高分类准确率。本文所提出的算法在FPC-DET数据集上取得了84.03%的m AP,相比于基线方法提升了7.77%的m AP,领先于其他目标检测算法。（2）受胚胎干细胞的分化机制的启发,对两阶段目标检测框架作进一步解耦,并引入预训练的骨干网络,提出一种解耦式两阶段缺陷检测算法。在该算法中,提出解耦式两阶段的目标检测框架来对缺陷定位任务和缺陷分类任务进行解耦,降低算法的收敛难度;提出基于多特征融合与中值滤波器的特征编码模块来增强特征中的位置信息,从而提升定位任务的精度;提出基于自注意力机制的局部感受野自适应扩充模块来增强特征中的语义信息,从而提升分类任务的精度。本文所提出的算法在FPC-DET数据集上取得了94.15%的m AP,相比于基线方法提升了3.00%的mAP,领先于其他目标检测算法。