深度神经网络因其强大的数据处理和学习能力,在语音识别、图像识别和工业缺陷检测等领域取得了快速发展。对于工业缺陷检测,如织物缺陷和轧钢缺陷等任务,研究者们把采集到的缺陷图片作为整体输入神经网络模型中进行学习。然而在电子产品中,尤其是中大型产品如平板和笔记本等,不同类型缺陷的大小相差很大,同时形态各异,因此缺陷检测任务的难度仍然很大。本文以缺陷的局部特征提取为基础,探索并研究神经网络在缺陷自动化检测与分类中的应用,主要内容包括:（1）构建基于缺陷局部特征的图像数据集。以企业生产过程中发现的缺陷产品为样本,获取高清的原始图片,利用开发的用于提取缺陷局部特征的方法,可大大提高缺陷图片的采集与处理效率。（2）研究了基于BP神经网络和卷积神经网络CNN的缺陷检测与分类模型,其中包括模型设计、模型训练与模型评估。经过神经网络的训练策略探索与数据分析,使得模型在训练集上的准确率达到了 93%-99%,通过比较模型在测试集上的准确率和ROC/AUC等指标,确定了最优的模型选择。（3）研究基于局部特征提取的缺陷检测与标注方法。探索利用最优的神经网络模型应用于自动化检测,详细阐述了缺陷位置的标注算法。最后把自动化检测结果与人工检测结果进行了对比分析,验证了自动化检测的性能。通过模型理论分析和实验验证,神经网络在电子产品的缺陷检测中具有良好的可行性,虽然尚不能完全替代人工检测,但是以神经网络自主学习为主、人工复检为辅的创新策略可以有效降低企业成本,提高效率。