表面缺陷检测是目标检测中一个活跃的研究方向,同时也是一项具有极大实际意义的技术,在提高工厂自动化及智能制造都能发挥巨大作用。随着深度学习的发展,目标检测取得了大大的发展,这使得表面缺陷检测也取得了巨大的成就。但是目前表面缺陷检测的精度依然受到小目标数量多、样本不平衡、样本数量少等因素干扰,因此如何克服这些因素提高检测精度是研究的难点。目前,解决这些问题主要有改进网络结构、创新的数据增强方法等。针对实际应用中表面缺陷检测的精度提高需求,本文提出了一种基于可形变卷积的Faster RCNN与FPN融合的表面缺陷检测网络,这种网络主要组成有Faster RCNN、FPN、可形变卷积、RoI Align。FPN特征图金字塔因为融合了低层特征和高层特征,能提取强的语义信息;可形变卷积使网络更能适应目标形状的变化;RoI Align能够解决RoI Pooling不匹配问题（misAlignment）,减少小目标的特征信息丢失。本文对Faster RCNN,Faster RCNN与FPN融合网络,基于可形变卷积的Faster RCNN与FPN融合的表面缺陷检测网络进行对比实验,在铝型材数据集的实验结果显示基于可形变卷积的Faster RCNN与FPN融合的网络比Faster RCNN 与 FPN 融合网络 mAP 高 2.023%、比 Faster RCNN 的 mAP 高 4.279%,实验结果表明基于可形变卷积的Fas ter RCNN与FPN融合的表面缺陷检测网络更先进。针对表面缺陷检测领域小目标检测难和样本不平衡影响检测效果,本文提出一种基于小目标扩充数据增强的表面缺陷检测方法。运用此方法对铝型材进行数据增强:数据集中擦花、脏点、漆泡三种缺陷样本存在大量的小目标,检测难,通过将擦花、脏点、漆泡的小目标复制粘贴多次增加小目标数量（即对小目标扩充）;通过对原数据集中擦花、喷流、漆泡数量少的样本的目标复制到与其背景相似的无缺陷样本中来增加样本数量,从而使数据集的样本更加平衡。在Faster RCNN、Faster RCNN与FPN融合网络、基于可形变卷积的Faster RCNN与FPN融合的表面缺陷检测网络三种网络上进行对比实验,增强后的数据集比原数据集mAP分别提升了 2.614%、2.469%、2.48%,实验的结果表明了对铝型材数据集使用基于小目标扩充数据增强的表面缺陷检测方法能显著的提高检测精度。