产品的外观质量检测是智能化工业生产中举重若轻的环节。近五年来,关于深度学习与神经网络的研究已逐渐从理论层面发展到实际应用当中。由于特征提取能力优异,模型泛化能力强,基于深度神经网络的表面缺陷检测方法已逐渐应用到工业生产中。但是,深度神经网络提取高质量特征的前提是大规模的运算数据和超高的计算能力,这与工业生产中的缺陷样本数量少、计算资源匮乏的现状相悖。针对工业生产中标注样本不足的问题,本文利用深度迁移学习方法,对表面缺陷检测问题进行深入研究。首先,利用基于网络的深度迁移学习方法,提出一种新的学习模型——改进Xception模型。该模型以Xception网络为特征提取模块,并提出两点改进措施:1、将批量归一化（Batch Normalization,BN）层更换为自适应批量归一化（Adaptation Batch Normalization,AdaBN）层,避免BN层带有的源域特有属性影响目标域的分类任务;2、添加Dropout层,缓解深度网络因参数量过大出现的过拟合现象。改进Xception模型总体实施方案为:先使用大规模开源数据集训练网络提取基础特征的能力,再使用少量有注释目标数据微调网络参数。与其他网络相比,改进Xception模型在公开数据集的迁移实验中达到了更高的准确率。其次,利用基于对抗的深度迁移学习方法,提出一种无监督学习模型——领域分离对抗网络（Domain Separation Adversarial Network,DSAN）模型。基于深度学习的检测方法需要大量真实数据训练网络,DSAN模型使用有标注、低成本的虚拟数据作为源域数据,无标注的待检测图像作为目标域数据,大大降低对数据资源的需求与人力标注的成本。DSAN模型以领域对抗神经网络（Domain-Adversarial Neural Network,DANN）网络 的三模块结构为基础,并在特征提取模块设计3个编码器,分别提取源域和目标域的私有特征和共有特征,避免两个域中底层的特有属性影响领域适配。本文设置多组迁移实验,在与主流领域适配方法横向对比实验中,本文新提出的DSAN模型的取得了更为优异的表现。再次,根据已有实验资源,搭建缺陷检测图像采集平台,制作竹条与织物数据集。为了进一步验证以上两种模型与表面缺陷检测任务的适配性,分别进行缺陷检测对比实验。改进Xception模型可利用ImageNet数据集为竹条检测任务训练大部分网络参数,使用少部分有注释竹条数据完成竹条数据集的分类任务。DSAN网络可使用DAGM2007人工合成数据集作为源域,完成无注释的多个织物数据集的缺陷检测任务,并在白布孔洞数据集中测试准确率高达98.9%,可满足工业检测需求。最后,总结本文研究方法,分析两种方法各自的适用场景,并对以后的研究方向进行展望。