随着技术日新月异的轮番迭代,现代工业已迈向全新的发展阶段。高数量、高质量、高效率成为了新一代企业的首要纲领。如何在保证产品数量的同时快速检测质量成为工业领域的首要挑战。受使用年限、施工工艺及自然环境多重因素的影响,工业领域表面频繁出现多种缺陷,如裂缝、坑洼、斑驳等,对于工业领域应用场景来讲,这些缺陷的出现将严重降低使用寿命与生产效率。由此可见,进行表面缺陷检测具有重大的研究价值与实际意义。由于不同形态的表面缺陷之间存在较大差异,而裂缝又作为工业领域最为常见且影响最大的缺陷形态,所以本文将裂缝作为主要缺陷类型进行研究。从不同的工业应用场景出发,完成对于裂缝的检测任务。当前结合深度学习的裂缝检测算法仍然存在许多问题,根据实际工业的不同需求,本研究主要从裂缝分割与裂缝分类两种任务出发探究现存问题。裂缝分割任务存在小尺度目标分割不连续、边界分割不清晰、裂缝结构模糊的问题。裂缝分类任务存在数据集样本不足、模型参数量大、易导致过拟合的问题。因而,本文开展了基于深度学习的工业领域裂缝检测研究,主要工作如下:（1）针对裂缝分割领域存在的小尺度目标分割不连续、边界分割不清晰、裂缝结构模糊的问题,提出一种多尺度特征融合与注意力机制的网络模型,该模型对同分辨率在不同卷积层的不同表征信息进行融合,提高了对表面缺陷特征的表示准确性,采用跨注意力机制从图像的通道、高和宽3个维度对特征进行针对性的选择,实现编码端和解码端高低维跨语义特征融合,解决了表面缺陷的精度问题。该模型在Crack260数据集上进行训练,在公开数据集CRKWH100和Stone331上进行了算法验证,各项评价指标均提高2%左右,实现了良好的检测结果。（2）针对裂缝分类领域存在的样本量少、模型参数量大、易导致过拟合的问题,提出一种轻量型两阶段裂缝分类模型,该模型在分割阶段采用轻量化的MobileNetV2网络进行表面缺陷分割,在决策阶段引入深度可分离卷积进一步减少参数量,同时加入多尺度特征融合的概念将分割效果图分级输入,强化裂缝的特征表达,最后执行分类决策。本算法在公开数据集KolektorSDD验证了有效性,在保证高准确率的同时减小了参数量与运算量。