在工业产品的生产过程中,通常会无法避免地产生一些表面缺陷,因此需要检测出产品的表面缺陷以便及时发现问题并且对产品质量加以控制。与人工检测方式相比,基于计算机视觉的工业表面缺陷检测方法,具有成本低、安全性好、效率高、灵活性好等诸多优势,已成为自动化缺陷检测系统的重点研究方向之一。针对工业生产中产品的表面缺陷检测问题,本文设计了一种基于计算机视觉的深度学习平台,在表面纹理较规律的缺陷检测任务中取得了很好的效果,并且可以封装了算法接口,可使用平台进行视觉系统的二次开发。本文分析了缺陷检测任务的特点,根据系统的设计需求设计了深度学习平台的整体结构并进行了功能模块划分,给出了平台设计和实现的详细方案,本文的主要工作如下:（1）对于工业表面缺陷检测任务,研究了一种结合深度学习和随机森林的语义分割算法。本方法首先使用了VGG Net来对图像特征进行提取,然后使用随机森林算法对图像做语义分割最终得到分割结果。实验结果表明,在多种类型的缺陷检测任务上,本文设计的分割算法从训练速度、检测速度、准确率和召回率等方面都取得了很好的指标和检测效果。（2）一个面向工业表面缺陷检测的深度学习平台的设计实现。将本软件按功能分为四个模块。分别为数据集标注、模型训练、缺陷检测和数据库管理模块。以Visual Studio 2017为软件开发平台,结合caffe、Open CV和Qt等框架,使用动态链接库方案作为软件各个模块的集成方式,完成了平台的设计与开发,并且算法接口封装的动态链接库,可以用于视觉系统的二次开发。（3）对平台的功能进行了测试,对缺陷检测算法部分也进行了验证,证明了该平台能够达到工业产品表面缺陷检测的要求,且能够正确稳定的运行。