经过几十年的快速发展,我国制造业规模已跃居世界第一位,逐步建立起技术领先的制造体系,成为支撑我国经济社会发展的重要基石。在产品生产与使用的过程中,工业制品不可避免地会出现各式各样的表观缺陷。这些缺陷不仅影响产品的美观和舒适度,而且也会对其使用性能带来不良影响,严重情况下还可能导致重大的安全事故。因此,表观缺陷检测技术在工业场景中得到了广泛的关注与重视。随着人工智能的不断发展,基于计算机视觉的缺陷检测在理论研究和实际应用中均取得了一定的进展。但由于待检图像质量不均、缺陷样本稀疏失衡、特征表示学习困难等原因,导致现有的一些视觉检测方法仍面临着虚警率高和鲁棒性弱等性能瓶颈。针对这些问题,本论文面向工业场景中表观缺陷检测任务的不同粒度,分别从样本分布特性、缺陷先验信息和类别特征学习的角度展开了深入研究。本文的主要贡献概述如下:（1）提出了一种基于结构相似深度卷积自编码的缺陷图像判定模型在工业视觉检测场景中,缺陷图像判定是检测系统的首要任务。考虑到缺陷图像相对稀缺、标注困难的问题,提出了一种基于结构相似深度卷积自编码的缺陷图像判定模型。模型整体遵循编解码架构,训练过程无需缺陷样本,避免了传统监督学习模型对大规模高质量标注数据的依赖问题。在处理具有复杂纹理的缺陷图像时,模型灵活地引入了特征直连结构,能够提高对图像复杂纹理背景的重构能力。为了拉大缺陷图像较正常图像的重构误差,模型在训练与测试过程中均采用了结构化相似指标从亮度、对比度和结构度三个方面综合度量原始图像和重构图像的差异程度。在3个真实工业表观缺陷数据集上的实验结果表明,结构化相似指标较传统像素级度量指标能显著提升模型对缺陷图像的判定能力,且与其它无监督缺陷图像判定方法相比也表现出了明显的性能优势。（2）提出了一种基于实体稀疏追踪的缺陷目标分割模型缺陷目标分割是指从输入图像中准确地确定缺陷的轮廓和位置,它是工业检测中对缺陷进行定量分析的基础。传统的检测方法大多只针对特定场景有效,模型的泛化能力较弱,且缺乏一个相对普适的理论框架。基于待检图像表面纹理在原始灰度空间或者特征空间中能形成一种低秩结构,而表观缺陷会对这种低秩性造成破坏的事实,提出了一种基于实体稀疏追踪的缺陷目标分割模型。在特征层面,考虑到大多数工业图像为灰度图,可用特征较少,基于局部二值模式的思想设计了一种新型特征,其对于图像背景和缺陷目标有着更好的判别能力,在此基础上,融合灰度特征和纹元特征组成了特征提取模块;在模型设计上,舍弃了传统低秩稀疏框架下常用的正则化约束,转而挖掘缺陷图像固有的实体稀疏性和局部显著性先验知识,并以此来指导特征矩阵低秩稀疏分解的过程。在多个表观缺陷检测数据集上的实验结果表明,所提出的模型在缺陷目标分割任务中具有较低的漏检率和误检率,展现出了较好的泛化能力。（3）提出了一种基于监督对比学习的缺陷类型识别模型缺陷类型识别是指从缺陷的形态、成因或者危害程度等角度对缺陷的定性分析,一般可形式化为一个多分类问题。在真实的工业视觉检测场景中,缺陷目标形态各异、尺寸不一、位置多变,且收集标注的缺陷样本难以覆盖同类缺陷所有可能的表观。与此同时,还存在着样本表观类内多变、类间相似的情形,这进一步加深了紧致化特征表示学习的难度。为了解决这些问题,提出了一种基于监督对比学习的缺陷类型识别模型,将监督对比学习与缺陷类型识别融合在统一的框架之下,对属于不同类型的缺陷样本建立了紧致化的特征描述。在对比学习分支的作用下,主干特征提取网络能够学习到更为紧致的特征空间,这反过来又提升了分类网络的识别性能。除此之外,实现了有效的特征生成策略,提高了模型对类内多变、类间相似缺陷样本的识别能力。在热轧钢带表面缺陷分类数据集和轨道异常扣件分类数据集上的实验结果证明了所提出方法的有效性。