在21世纪的工业化浪潮中,工业零件表面缺陷检测已经普遍存在于工业生产的各个环节。近年来,基于卷积神经网络的工件缺陷检测技术逐渐取代了人工抽检的方式,表现出了智能化、精准化的特性。然而,在取得良好效果的同时,卷积神经网络日益增长的计算成本和存储空间,为工件检测任务在工业流水线或低算力设备上的实现带来了巨大的挑战。同时工业生产的实时检测,对模型的检测时间及精度也有着较高的要求。针对上述问题,本文从目标分类和目标检测两个方面进行研究,开展了以下工作:（1）基于ShuffleNet,设计了一种轻量级网络模型Mix-Fusion。该网络利用一个狭窄的特征映射对组间信息进行融合编码,并将生成的特征与原始网络结合,有效解决了ShuffleNet“稀疏连接”卷积阻碍组间信息交换的问题。同时在ShuffleNet通道洗牌单元的基础上结合群组卷积,大大节省了计算成本。最后,本文用一种新型的混合卷积（MixConv）替代了传统的深度卷积（DWConv）,提高了模型在不同分辨率特征下的检测能力。（2）引入NEU-CLS数据集,以热轧带钢为检测对象,从目标分类的角度评估Mix-Fusion的模型性能。并与支持向量机、三种经典卷积神经网络（AlexNet、GooGleNet、ResNet-50）以及三种新型轻量级网络（MobileNetV2、ShuffleNet、ShuffleNetV2）做对比实验。其中Mix-Fusion模型将模型复杂度由AlexNet的57.02×106降低到了 1.95×106,压缩了 29.2倍,同时计算成本也由ResNet-50的4109.5MFLOPs降低到了 43.4MFLOPs,降低了 94.7倍,分类精度达到98.61%。实验结果表明,Mix-Fusion在保证高分类精度的同时表现出且计算成本小且模型复杂度低的特点。（3）从目标检测的角度设计了一套应用于实际工业芯片检测的系统。该系统将图像处理算法、样本扩充方法与Mix-Fusion网络模型相结合。通过由2000万像素工业相机及定制光源搭建的图像采集平台进行离线采集,之后利用图像预处理模块和labelme标注工具构建工业数据集。针对训练样本不足的问题,从多角度进行数据扩充,增强Mix-Fusion的泛化性能。并引入Focal Loss优化损失函数,提高特殊样本的检出率。同时将Mix-Fusion与Selective Search和非极大值抑制结合实现缺陷定位。在与Detectron2、YoLoV5及Faster-R-CNN的对比实验中,本文的检测模型取得了 98.12%的准确率以及271ms的平均运行速度,模型大小为27MB,表现出训练时间短、运行速度快、占据空间小的特点。最终将Mix-Fusion模型部署到实际工业机台,取得了 0.96%的过杀率及0.58%的漏失率,完全满足厂家实际生产的检测需求。