在工业生产过程中,由于受原材料、制造技术、生产工艺等因素的影响,可能导致产品的质量缺陷,其中表面缺陷是最为常见与最直观的表现形式。为了保证产品合格率及可靠性,必须进行产品表面缺陷检测,以避免不合格的产品流入市场。传统的人工目测方法效率低,不仅耗时费力,检测结果也容易受人为主观因素的影响,不能满足工业生产的实时检测要求,更无法适应工业信息化的发展趋势,已逐渐被其它更为先进的方法所取代。本文首先对表面缺陷检测方法的国内外研究现状进行了综述介绍,然后介绍了缺陷检测的定义以及利用深度学习完成缺陷检测任务的关键技术。（1）针对目前基于深度学习的缺陷检测方法存在的网络模型过于复杂,抗干扰能力差等问题,本文提出了一种基于卷积块注意模块（Convolutional Block Attention Module,CBAM）和空洞卷积的表面缺陷检测模型,该模型将产品的表面缺陷分割任务与分类任务相结合,利用空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling,ASPP）获得图像多尺度的上下文信息。然后利用卷积块注意力模块重新分配网络的权重,增强对缺陷区域的关注度,从而提高提取特征的鉴别性。此外,在分割网络中引入了空洞卷积,简化了缺陷分割网络的复杂性,提高了模型缺陷检测的实时性。实验结果表明,该模型对Kolektor SDD和磁瓦数据集的检测效果均优于当前主流的缺陷检测方法,在工业产品表面缺陷检测中具有广泛的适用性。（2）为了解决工业零件缺陷数据和标注不足的问题,提出了一种基于生成对抗网络（Generative Adversarial Networks,GAN）及记忆模块的无监督缺陷检测方法,该方法将改进的U-Net作为生成器的主干网络,并嵌入记忆模块以记录正常样本的数据分布特征,对编码得到的隐特征向量进行限制,从而放大缺陷样本的重构误差;采用生成对抗网络训练模型并辅以判别器对生成器进行指导优化,增强生成器的生成能力。经Severstal钢铁缺陷数据集实验评估,结果表明,所提出的无监督缺陷检测模型达到了92.56%的平均精确度,对工业零件表面缺陷的无监督检测研究与应用,具有较好的借鉴作用。最后,对本文提出的表面缺陷检测方法进行了总结,并对未来的研究工作进行展望。