目前全球光伏产业快速发展,对太阳能电池的产品质量也提出了更高的要求。而光伏电池表面缺陷的存在严重影响了电池片本身的发电效率,因此光伏电池表面缺陷检测是生产厂家提高产品质量的不可或缺的一道工序。但由于多晶硅太阳能电池表面纹理背景复杂,晶格分布不均匀,缺陷尺度不一且包含大量微小缺陷,现有的检测网络在缺陷检测精度、抗干扰能力等方面仍然存在着不足。另一方面太阳能电池生产过程会产生新的缺陷类别,现有的模型需要针对新类别缺陷不断更新,而如果把所有数据用在一起训练新的模型,又会耗费大量的资源,这在实际生产过程中也很难得到满足。这些问题的存在影响了卷积神经网络在实际生产过程中的应用。针对以上问题,本文从改进神经网络结构的角度出发,提出了以下两个新颖的目标检测框架,主要研究成果如下:（1）针对太阳能电池表面缺陷尺度不一、背景复杂的问题,本文提出了基于多尺度特征融合与注意力机制的双路径注意力特征金字塔网络。首先,该网络在YOLOv3的原有的特征金字塔的基础上,添加了一个反向的特征金字塔,构成了一个双路径特征金字塔,用来捕获不同尺度的缺陷信息;然后,在特征融合过程中加入了一个新颖的分组注意力模块,既可以抑制背景冗余信息,又考虑到了不同尺度特征之间的差异性,更好地保留了多尺度的缺陷特征。实验结果表明,本文提出的双路径注意力特征金字塔网络提升了太阳能电池表面缺陷检测的精度,尤其是针对小尺度缺陷,检测效果提升更加明显。（2）尽管卷积神经网络在目标检测领域取得了一定的成果,但现有的目标检测框架由于存在“灾难性遗忘”问题,难以进行增量式的学习,具体表现为在缺乏初始训练数据的情况下,仅用新类别数据训练模型会导致模型对原有类别的检测精度下降。为了解决这个问题,本文提出了一种基于增量学习的一阶段检测模型,该模型仅使用新类别的训练数据就可以进行端到端的类别增量式训练,在检测新缺陷类别的同时又不丧失检测旧类别的能力。该算法的核心是一种新颖的损失函数,融合了知识蒸馏的思想,平衡了新类别的预测与旧类别的蒸馏损失之间的相互影响,减少了新模型与原模型对旧类别响应之间的差异。实验结果表明,本文提出的增量学习缺陷检测模型在缺乏原始数据,仅使用新类别数据训练的情况下,既可以检测新类别的目标,又很好地保留了对旧类别的检测能力。