焊条是现代重工业中必不可少的产品,目前焊条工业生产线的表面缺陷检测仍停留在人工检测阶段,耗时多,效率低,因此对焊条表面缺陷实现自动化检测是非常必要的,本文提出了改进的深度学习目标检测算法用于焊条表面缺陷检测。本文针对多尺度条件下的焊条表面缺陷检测的精度问题以及检测速度问题,对深度学习检测算法的一阶段算法和二阶段算法均进行了改进研究,主要研究内容如下:（1）一阶段算法选取了YOLOv4算法,主要研究提升算法的检测精度和SPP空间金字塔结构的多尺度检测性能,以YOLO v3算法为基础算法进行对比。选用Mobilenetv3作为YOLOv4算法的主干特征提取网络,提升特征提取能力;优化SPP结构,通过设置SPP结构中最大池化层中不同大小的池化核,来得到适用于焊条表面缺陷检测的SPP结构;使用深度可分离卷积构建轻量化的PANet特征金字塔网络,降低网络所需的计算量和训练时间。（2）二阶段算法选取Faster RCNN为基础算法,针对算法的小尺寸缺陷特征提取问题,选用小尺寸缺陷特征提取能力更好的Res Net50作为主干特征提取网络,并针对兼顾大尺寸缺陷的多尺度缺陷检测问题,提出了基于纵向拓展网络的解决方法。该方法基于Res Net50网络中的残差结构,引入混合空洞卷积设计了一种混合空洞残差结构,混合空洞残差结构比普通的残差结构多增加了两层卷积层,因此在主干网络纵向上进行了拓展。（3）针对二阶段算法Faster RCNN的多尺度检测问题,提出了横向拓展网络的解决方法,在更换Faster RCNN算法主干特征提取网络的基础上,基于ASPP空洞空间金字塔池化结构优化设计了一种GASPP结构,以提升主干网络的多尺度特征提取能力;其次在Faster RCNN算法中的RPN网络中引入混合域卷积注意力机制,将RPN网络的区域建议结果进行增强;并利用GASPP结构输出的多尺度特征图进行多尺度信息融合。（4）针对所研究的十组算法进行了实验验证,实验结果表明:一阶段改进算法YOLOv4-M算法的检测精度m AP值达到了96.94%,检测速度FPS达到了22;二阶段的两种最终改进算法Faster RCNN-H和Faster RCNN-GCr的检测精度m AP值分别为96.58%和98.04%,检测速度FPS分别为2.6和2.5。这三种最终改进算法均可满足检测精度和检测速度要求。