铝型材作为工业型材的重要制品,工件缺陷检测是其生产流程中的重要工序,而表面细微缺陷检测作为工件缺陷检测的重要工作,影响着铝型材的实用性、外观性与舒适性。由于细微缺陷图像表征性差,样本难以采集,导致了样本空间的不均衡与细微缺陷的难以识别问题。然而目前并无行之有效的方法对不均衡样本空间的表面细微缺陷完成识别。为提升不均衡样本空间细微缺陷的识别精度,本文以铝型材表面缺陷作为研究对象,对铝型材表面缺陷样本数据进行了分析,并根据铝型材的生产工艺过程对其样本空间与细微缺陷的表征完成了总结,得到了不均衡样本与细微特征对分类精度的影响,提出了对不均衡样本空间与细微图像特征进行研究的必要性。提出了一种面向不均衡样本空间的铝型材表面细微缺陷识别方法,并构建数据均衡化模型与超分辨率融合分类模型,具体研究内容与主要结论如下:（1）针对铝型材工业图像样本空间不均衡问题,提出了基于全样本背景空间的数据均衡方法,该方法包含样本修复、特征判断与提取、均衡化采样,实现铝型材数据原始样本空间的均衡化;（2）针对表面细微缺陷难以识别问题,基于生成式对抗网络完成细微缺陷的超分辨率生成,其中包括细微缺陷的提取、超分辨率复原、特征融合,并构建基于残差机制的注意力分类模型,得到了分类精度更高的缺陷检测模型;（3）在上述研究的基础之上,配置实验软硬件环境平台,首先构建分类网络验证不均衡样本空间的均衡方法,随后对原始样本空间数据实现细微样本的划分与超分辨率特征提取,并搭建注意力机制模型,验证了针对细微缺陷的检测方法的优异性,证明了对分类检测任务来说,该方法可以从样本空间与模型结构两方面协同提升检测效果。