汽车液压部件在液压制动系统中有着重要的作用,其质量直接影响汽车的安全性能。液压部件在加工过程中因生产环境和制造工序等因素使部件内槽表面产生缺陷,导致漏油、活塞卡滞等问题。目前在工业生产中缺陷检测的方法有内窥镜人工检测方法和传统图像处理方法,内窥镜人工检测方法效率低、精度差;传统图像处理方法适应力差,无法进行无监督自适应检测。本文设计了基于深度学习的汽车液压部件密封槽缺陷检测系统。（1）研究汽车液压部件的工作原理并分析缺陷种类,基于工业CCD相机、旋转伺服加载系统、垂直伺服加载系统、PLC运动控制系统设计了小口径汽车液压部件内壁图像采集系统,实现了汽车液压部件密封槽360度图像的采集。（2）根据工业上对汽车液压部件密封槽的检测要求,分析卷积神经网络的基础上选择更适用于检测密封槽缺陷的FCOS神经网络并搭建缺陷检测网络模型;对采集的样本图像进行预处理操作,标注缺陷对模型进行训练。（3）采用多尺度特征融合方法提取缺陷特征,对网络进行重复剪枝、权值共享等模型轻量化的方法,实现了网络模型的改进,并采用Adam算法加速损失函数收敛,加快了网络训练速度、减少硬件成本。将本文改进后的FCOS网络模型与Faster R-CNN、Mask R-CNN网络模型进行对比实验,结果表明,改进后的FCOS网络检测模型针对汽车液压部件密封槽缺陷检测的准确率达到94.9%,召回率达到95.5%,满足系统的设计需求与技术指标。