表面缺陷检测是众多领域关注的一个问题,有效的表面缺陷检测能够在很大程度上把控产品质量。核燃料芯块是核反应堆燃料组件的基本组成部分,必须完好无缺陷,但在压制、烧结过程中难以避免会出现无法预料的缺陷,这会影响反应堆性能甚至引发核安全事故,因此在核燃料芯块生产过程中准确高效的缺陷检测就显得极其重要。本课题以实验室仿真核燃料芯块为对象,进行核燃料芯块端面缺陷检测算法的研究。由于传统缺陷检测方法的局限性以及深度学习方法对缺陷数据的依赖性,都不能很好地适应缺陷样本稀缺等特殊情况。因此,本课题选择基于图像修复的无监督算法进行研究,无监督算法无需带标签的缺陷图像数据集,仅需少量完好样本便可实现网络的重构训练,从而根据重构的修复图像与原始图像的差异实现缺陷的检测。主要研究内容如下:（1）无监督模型数据集的建立。本课题缺陷检测算法研究只关注芯块端面缺陷,因此数据集中所有图像均为芯块的端面视图图像,芯块显示为带中心孔的圆形形状,图片格式为8位灰度图。训练集仅包含完好芯块图像,测试集包含缺陷和完好芯块图像。（2）基于自编码器的缺陷检测算法研究。提出一种基于自编码器的无监督表面缺陷检测网络,使用自编码网络完成缺陷图像到完好图像的修复,再使用缺陷阈值分割算法在残差图中定位缺陷。自编码网络由对称式的编码和解码两部分结构组成,分别实现特征的提取与重构。通过设置合适的下采样层数以及隐层特征编码数,使用混合损失函数训练的自编码网络能够提取到完好图像的高效特征编码。缺陷图像经自编码网络重构为完好图像后与原图做结构相似性计算,得到具备残差性质的结构相似性图,图中缺陷与背景对比度较大,通过OTSU阈值分割便可定位缺陷区域。实验结果表明,该无监督缺陷检测模型能够实现一定程度的缺陷重构,阈值分割算法能够达到较高的缺陷检测精度。（3）基于自编码对抗网络的缺陷检测算法研究。在自编码网络的基础上增加了对抗训练网络结构,从而形成自编码对抗网络。以GAN的对抗训练模式训练自编码网络,生成更接近输入图像背景的重构图像,从而增强残差图中缺陷与背景对比度,使缺陷分割更准确。该自编码对抗网络中,判别器结构与编码器相同,并采用WGAN-GP形式的损失函数。实验结果表明,经过对网络结构和损失函数重新设计的自编码对抗网络相比自编码网络生成的图像更清晰,缺陷分割精确度更高,F1值达到0.842,表明提出的自编码对抗网络对于核燃料芯块缺陷检测具有一定的有效性。