我国是制造业大国,制造生产厂商众多。现在大部分的生产企业依然采用传统的机器视觉方法(即通过对图像的阈值分割、滤波、颜色统计等方法)甚至用人工去检测缺陷。但是随着生产水平不断地提高,传统的机器视觉处理方法在精度上慢慢无法满足制造业的需求,同时也难以解决缺陷的目标检测问题。与此同时,深度学习蓬勃发展,并且深度学习在很多领域取得了令人惊喜的成果。所以很自然的人们开始将缺陷检测与深度学习联系在一起。在缺陷检测问题中,最为基本的问题是缺陷分类问题。本文通过研究三种经典的神经网络模型:VGGNet、ResNet以及GoogLeNet,分析并学习他们的优点和思路,提出了改进后的三种神经网络:VGGNet-ch、ResNet-ch以及GoogLeNet-ch。这三种网络通过调整其输入输出尺寸,改变卷积层的数量及卷积核尺寸,增加或删除全连接层及其中神经元的数量,构造出更适合提取特征的网络。将三种网络应用在竹筷缺陷分类问题上,其准确率相对原始网络有明显提高。同时,为了减少在神经网络构建时人工调参的频率,从而降低解决缺陷分类问题的难度,本文提出了两种神经网络结构搜索算法:神经网络深度自增长算法以及基于简单爬山算法的神经网络结构搜索算法。通过使用这两种神经网络结构搜索算法,神经网络能够在训练中不断地增加卷积层或降采样层,从而使得神经网络的深度更深、宽度更广,最终可以训练得到一个适合当前缺陷数据集的神经网络。在当前数据集上,该神经网络能够做到与手工调参所得神经网络相近的分类准确率。缺陷检测中不止有缺陷分类问题,同时还会有缺陷目标检测问题。本文针对竹筷的缺陷目标检测问题,首先研究了两种经典的目标检测算法:Faster-RCNN以及SSD,并提出了一种新的缺陷目标检测模型SSD-ch。SSD-ch将SSD与本文所提出的VGGNet-ch相结合,减少了神经网络中参数的数量,并使得其中的初始特征提取网络更适合提取竹筷的特征。应用在竹筷的目标检测时,训练得到的SSD-ch能够在保持较高mAP的同时,非常明显地提高网络的运行速度。此外本文还针对带纹理的纺织品缺陷位置标注问题,提出了改进的堆叠降噪卷积自编码器算法以及融合自编码器与卷积神经网络的缺陷位置标注算法。这两种算法能够通过构建一组深度较浅、参数较少的神经网络,对缺陷图像进行还原。然后通过将还原后的图像与原图像进行作差、阈值处理等操作,能够较为准确地得到待检测图像中缺陷的像素级精度的具体位置。