产品缺陷自动检测取代人工目视检测是实现注塑成形自动化和智能化的关键。现有缺陷自动检测算法存在抗干扰性弱、检测准确性低和运行实时性差等问题。针对上述难题,本文基于机器视觉和人工智能技术,开展了注塑产品缺陷在线检测算法研究,并研发了缺陷在线检测原型系统,主要工作如下:（1）针对注塑缺陷产品收集困难、数据样本少的难题,提出空频域变换联合的数据增强算法,提高深度学习缺陷检测模型的抗干扰性能。通过空域变换图像数据增强方法合成环境干扰下采集的产品图像,降低数据集中图像样本的数据分布偏差,并采用频域变换特征增强算法移除图像中的冗余数据特征,进一步提高模型的泛化性能。与小样本数据集训练的模型相比,光照、模糊和噪声等注塑生产线环境干扰下的缺陷检测平均准确率提升5.5%。（2）针对正常产品多于缺陷产品的样本类别不平衡难题,提出了多尺度特征卷积神经网络模型和两阶段迁移学习模型训练策略,提高局部缺陷的检测准确性。设计了多尺度卷积分支的图像特征提取模型,提高图像特征的描述能力和辨识能力,并通过两阶段迁移学习训练策略改变模型训练时的样本采样分布,解决类别不平衡问题。与重采样方法和代价敏感损失方法训练的检测模型相比,浇口高、披锋、针眼和模凹等四种典型局部缺陷上检测准确率提升2.8%～10.5%。（3）针对全局缺陷的复杂纹理背景干扰难题,提出了基于图像生成网络模型和图像差影法的缺陷区域提取算法,提高了细微全局缺陷的检测准确性。设计了基于卷积自编码器的图像生成网络,重构缺陷产品图像对应的纹理背景,并采用图像差影法消除缺陷区域提取过程中复杂纹理的干扰,提高全局缺陷的分割和检测准确性。注塑产品黑点缺陷的平均检测召回率和平均检测精确率分别达到99.8%和98.3%,与Faster RCNN模型相比,分别提升2.8%和1.3%。（4）提出了基于轻量级模型结构设计和模型压缩算法的缺陷检测模型优化加速方法,提高了检测实时性,满足在线检测需求。根据上述深度学习缺陷检测模型的特点,提出了模型结构优化和参数缩减方法,设计出轻量级模型,并通过模型压缩算法将原始模型的图像特征压缩到轻量模型中,兼顾检测准确率和实时性,检测准确率维持99%的前提下,计算时间缩短66倍。基于上述研究,开发出注塑产品外观缺陷在线检测原型系统,企业案例表明,6000个产品的各种缺陷检测平均准确率达99.4%,检测时间为50 ms～500 ms,满足了注塑产品检测准确率和实时性要求。