金属屏蔽罩作为半导体芯片的保护元件,其表面质量对芯片的性能和可靠性有着直接影响,因此在生产过程中,金属屏蔽罩表面的缺陷检测至关重要。然而金属屏蔽罩表面含有复杂的背景纹理,会在缺陷的检测过程中产生干扰,影响检测的准确性。尽管人工目检和机器视觉的检测方法已经存在,但都存在一定的局限性,并且检测精度不高。近年来深度学习凭借其强大通用性和自主学习能力,在缺陷检测中被广泛的采纳和应用。因此,本文以深度学习方法为基础提出了一种复杂金属表面缺陷检测方法,主要内容如下。1)针对金属表面缺陷图像数据集过小且数据分布不均匀的问题,研究了一种最小二乘条件生成对抗网络（LS-CGAN）对已有的金属表面缺陷图像数据集进行数据增强。通过将金属表面缺陷的类别信息引入生成对抗网络（GAN）的判别器和生成器中,使网络模型能够生成指定类别的缺陷数据。并且利用最小二乘损失函数对原网络目标函数进行改进,使网络模型的训练更加稳定,提高了生成的图像质量。2)针对金属表面复杂的背景纹理给缺陷检测带来干扰的问题,研究了一种基于连通区域面积的背景纹理抑制方法。该方法利用Gabor纹理特征提取的方法获取金属表面的背景纹理,然后对提取的纹理特征图像进行基于二值化的连通区域检测,根据不同的连通区域面积对背景纹理进行区分,对于面积较大的凹坑型纹理采用改进的小波变换进行纹理抑制处理,对于面积较小的条纹型纹理和磨砂型纹理采用灰度共生矩阵和非负矩阵分解的方法进行处理,从而达到抑制背景纹理的目的。3)针对缺陷识别与分类算法模型准确率低以及模型较大的问题,研究了一种基于Ghost Net-YOLOv5缺陷识别与分类模型。首先通过K-means算法聚类生成适合本文数据集的先验框,一定程度上提高检测的准确率。然后在网络模型中增加针对微小目标的检测头,提高对小目标的特征提取能力,解决了缺陷目标较小时检测准确率不高的问题,并采用Ghost Net取代原主干网络,减少了参数量,使网络模型更加轻量化。4)对上述缺陷检测方法进行联调,并设计可视化的软件界面对检测方法进行验证。本文通过研究金属表面缺陷图像的数据增强、图像的背景纹理抑制以及缺陷的识别和分类方法,实现了金属表面缺陷的准确检测,达到了零漏检,而且检测速度快,符合实际工业检测的要求。