表面缺陷检测作为智能制造的重要环节对于保证产品质量优化生产工艺有重要意义。随着深度学习技术的快速发展,使用深度学习进行零件表面缺陷检测成为新的研究趋势。深度学习技术基于数据驱动,因此图像数据集质量对于深度学习缺陷检测性能有重要影响。本文面向深度学习缺陷检测,针对其中三种常见的图像数据集问题包括图像数据集正常、弱特征、批次差异问题展开图像增强技术相关研究。并基于充分利用已标记数据知识的原则,分别提出缺陷分割、图像增强、域适应增强算法,在减少人工标注依赖的情况下,提高零件表面缺陷检测精度。主要研究内容如下:针对图像数据集正常情况下缺陷分割中存在的分割不一致和分割不完整问题,提出基于注意力机制的多类别多尺度缺陷分割技术。针对分割不一致,在解码器中添加注意力引导模块,利用具有类别区分性的高层特征改善分割预测中像素误分类情况。针对分割不完整,在输出层引入多尺度输出模块以通过有效聚合多尺度感受野特征来提高缺陷检测完整性。实验表明本方法在多类别多尺度缺陷分割上的有效性。针对弱特征缺陷限制检测精度问题,提出无监督的基于CycleGAN的边缘引导图像增强技术。本算法利用生成对抗学习构建弱特征和强特征图像之间的像素级映射关系,基于CycleGAN框架将弱特征图像增强为强特征图像,解决工业图像无配对的问题。通过分析弱特征工业图像特点,利用灰度梯度设计边缘引导损失监督增强前后缺陷边缘的一致性,不仅保证了增强后缺陷位置形状不发生变化,而且获得边缘清晰对比度高的增强图像。实验表明本方法显著提升了弱特征缺陷检测性能。针对批次差异数据集域偏移问题,提出无监督的基于多级对抗与像素亲和的域适应增强技术。本方法基于对抗性学习策略,在特征级别和输出级别同时设置域判别器进行域对齐,以减少源域和目标域的域差异。此外,引入亲和力损失提高分割结果中同一语义区域内部相邻像素点之间的相似性,改善域适应分割模型中的目标域背景误检问题。实验验证,本文所提域适应方法在不同批次缺陷分割任务上的有效性。