随着工业生产自动化程度越来越高,在保证了生产效率的同时,产品存在缺陷问题依旧困扰着许多工业生产制造商。此外,随着人们生活水平的日渐改善,消费者们对产品质量的要求也在不断提高。目前大多数生产厂商仍采用人工方法检测识别缺陷产品,这样不仅拉低了生产效率、还容易漏检的情况,浪费大量人力、物力资源。为了改善人工质检带来的问题,在生产线质量监测环节采用机器视觉、模式识别的智能检测手段来取代人工方法已成为工业生产发展的必然趋势。光学元件在日常生产生活中的应用场合越来越多,如生活中人们用的各种相机镜头以及实验研究用的镀膜镜片等,面对如此多的应用需求,生产厂商必须生产加工过程中对其瑕疵进行严格监测和控制。由于生产加工的缺陷,或者在运输中发生碰撞和摩擦产生划痕,造成镜头表面出现各种瑕疵,严重影响产品质量。针对上述情况,本文以提高镜头瑕疵检测环节的效率和准确率为目的,将卷积神经网络方法应用于镜头表面缺陷检测识别。通过设计一个六层的卷积神经网络来实现样本的训练与检测识别,利用准确率和召回率两个指标对本文的算法进行了定量分析与评价,最后通过对实验结果的分析和研究,验证了卷积神经网络方法来检测识别表面有缺陷的镜头具有较高的检测识别的效率和准确率,表明了本文研究方法的有效性及其研究意义所在。