汽车内饰装配件装配后的质量检测是装配的重要阶段,是确保汽车内饰装配件装配高通过率的重要保障。随着现代工业逐渐智能化,人工凭借经验对装配好的汽车内饰装配件进行复核的这种传统方式已经不能满足现代装配的需求。将基于深度学习的目标检测技术应用于汽车内饰装配件检测,成为一种较为前沿的工业零件检测方案。本文针对基于深度学习的汽车内饰装配件检测方法进行研究与实现,主要内容入下:（1）研究图像增强技术。使用工业摄像头采集汽车内饰装配件数据后,通过Mosaic数据增强方法对采集的数据进行丰富,为后续模型的训练打好基础。使用Labelimg工具对采集的汽车内饰装配件图像进行标注,完成汽车内饰装配件数据集的制作。（2）针对汽车内饰装配件检测,对经典目标检测模型做出优化。搭建目标检测平台,分别对YOLOv3-tiny模型与Faster R-CNN模型进行实验,发现YOLOv3-tiny模型的检测精准度略低于Faster R-CNN模型。但由于受嵌入式设备性能的约束,针对汽车内饰装配件检测的实际需求,选择网络结构更简单,模型更容易训练,检测精度略低的YOLOv3-tiny模型进行改进。为提高目标检测的准确率,充分利用浅层网络的特征信息,对骨干网络进行更多的分支网络融合,由原来的一次分支网络融合到现在三次分支网络融合。借鉴残差网络,将残差模块引入模型网络结构,来防止训练到深层网络后出现网络退化现象。修改K-Means算法为K-Means++算法来基于Io U值聚类产生先验框。（3）对YOLOv3-tiny改进模型进行实验分析。改进后的YOLOv3-tiny模型在收敛时比原模型,在模型损失值方面要低0.007,有26%左右的优化;在平均召回率方面要高0.2,有28%左右的提升;在平均准确率方面要高0.1,有11%左右的提升。（4）设计和实现基于深度学习的汽车内饰装配件检测系统。针对系统的三个模块即数据采集模块、汽车内饰装配件识别模块、网页服务端展示模块进行实现。（5）在英伟达开发板上部署汽车内饰装配件检测系统后,对13类特征中的每类特征都随机抽取出20张图像进行检测。检测结果表明汽车内饰装配件检测系统对汽车内饰装配件的13种特征的识别准确率都在95%以上,是较为理想的结果,实现了对汽车内饰装配件高效精准的判别,为汽车内饰装配件的复核工作提供了可靠的辅助手段。