随着智能制造的高速发展,基于深度学习的钢材表面缺陷识别方法已经成为研究热点,由于受到生产工况、压制设备、材料质量等因素的影响,钢材表面会出现形态各异、分布随机的缺陷,形成小尺寸问题、重叠问题以及缺陷多样性问题,导致缺陷识别困难,目前的深度学习方法在处理复杂缺陷时均值平均精度仅达到71.87%。针对小尺寸缺陷难以识别的问题,提出了基于密集特征金字塔网络（Dense Feature Pyramid Networks,DFPN）的缺陷识别方法。首先,提出了DFPN算法,在特征图间引入密集连接,从而增加特征图的语义信息。同时,将该算法与Det Net59算法相结合,作为Faster R-CNN（Faster region-based convolutional neural networks）模型的主干网络,增加特征图中的位置信息,从而提升小尺寸缺陷的识别准确率。经测试,该方法可达到72.57%的平均均值精度,与其他深度学习方法相比,该方法在保证平均均值精度的同时还能准确地识别小尺寸缺陷。针对缺陷重叠问题,提出了基于近邻聚类非极大值抑制（Nearest Neighbour Clustering Non-Maximum Suppression,NNCNMS）算法的缺陷识别方法。首先,利用近邻聚类算法将Faster R-CNN模型针对不同缺陷生成的候选边界框划分至不同簇,将复杂重叠场景简化为多个简单重叠场景。然后,利用软化非极大值抑制算法分别移除每个簇中的冗余边界框,减少相邻缺陷的抑制效果。经测试,该方法可达到74.16%的平均均值精度,与其他深度学习方法相比,该方法能准确地识别重叠场景下的缺陷。针对钢材表面缺陷的多样性,提出了基于非极大值抑制集成学习（Non-Maximum Suppression Ensemble Learning,NMSEL）算法的缺陷识别方法。非极大值抑制集成学习算法的集成效果受基学习器表现的影响,因此,结合DFPN与NNCNMS算法构建基于不同主干网络的基学习器,并进行单独地训练与预测。然后,合并基学习器生成的候选边界框,并利用非极大值抑制算法进行筛选,从而选取每个缺陷的最高分边界框。经测试,该方法可达到75.94%的平均均值精度,与基学习器相比,该方法能同时准确识别多种多样的缺陷。最后,对全文的工作进行了总结,并展望了未来值得进一步研究的方向。