光伏电池片中的裂纹缺陷会造成电池片失效,影响电池组件的正常使用,也不利于光伏发电系统维持稳定。光伏电池片电致发光（Electroluminescence,EL）图像呈现非均匀复杂表面,随机分布的晶粒和缺陷目标之间的对比度低,缺陷形状、尺度不一等特点,给利用传统方法对裂纹缺陷的准确性和鲁棒性检测带来很大的挑战。因此本文提出了多个深度学习模型,有效地解决了复杂背景对裂纹缺陷识别的影响,最终形成了一套有效的非均匀表面裂纹缺陷智能检测方案,本论文逐步实现了裂纹缺陷的图像级分类与像素级分割。具体研究内容和贡献如下:（1）提出了一种基于结构解耦卷积神经网络的多晶硅光伏电池片裂纹缺陷识别算法。算法在基础AlexNet的第一卷积层融合了可控证据滤波器形成了一个端到端的模型,在模型的末端使用类激活映射图验证模型的特征提取能力。实验结果表明,提出的模型提高了裂纹缺陷分类的准确度;提高了基础CNN模型的特征提取能力。实验还表明可控证据滤波器与深度学习的融合赋予了CNN结构解耦的功能,弱化了复杂背景对缺陷结构的干扰,提高了模型对缺陷识别的鲁棒性。本文提出的算法解决了传统滤波器算法在面对海量数据时所表现出的泛化能力不足的问题,有望为其它传统滤波器算法在深度学习中的应用提供思路。（2）为了进一步实现非均匀纹理背景下多晶硅光伏电池片裂纹缺陷像素级定位分割,本文构建了一种基于残差网络的丰富的多等级特征缺陷分割算法。残差网络解决了网络训练的退化问题,本文根据池化层将残差网络分为五个阶段,在每个阶段最后一个卷积层之后连接一个侧输出层,将所有的侧边输出特征图融合起来得到最终的融合预测结果。实现了从图像到图像的整体性预测,充分利用了多等级多尺度的卷积特征。但是裂纹缺陷仍存在漏检和误检的问题,模型的特征提取能力和检测性能有望得到进一步提高。（3）针对上述问题,本文将卷积特征封装成一种更丰富更鲁棒的特征表达方式,提出了RRCF模型结构,巧妙地利用了多等级多尺度的卷积特征,更多地融合高层特征而减少低层特征的融合,显著提升了特征表达能力。本文还设计了一种新颖的精细损失函数,将加权交叉熵损失函数与Dice损失函数结合起来,达到从图像级到像素级的精准预测,解决了裂纹缺陷像素和复杂背景像素分布不均衡（绝大部分是背景像素）而导致的误检问题。主观分析和客观实验结果都表明所提出的模型对于解决复杂背景干扰下的裂纹分割问题非常有效,所提出的损失函数有助于裂纹的精细预测。