近年来,随着深度学习技术的不断发展,人工智能在工业生产领域得到了广泛的应用。基于机器视觉的物体表面缺陷检测在实际的工业生产中有迫切的需求,但因为缺陷样本出现的小概率性和随机性,难以收集数量足够大且种类齐全的缺陷样本,正负样本的不均衡和缺陷外观多变且不可预测导致监督学习的方法难以应用。同时,对数据集的像素级标注需要耗费巨大的人力资源。论文研究并优化知识蒸馏用于计算机视觉缺陷检测的方法,其基本思想是使用预先训练好的教师网络利用无缺陷的正常样本去教学生网络学习正常样本的输出特征表示。测试时,通过比较学生网络和教师网络的差异,对缺陷区域进行检测和定位。论文主要完成的工作如下:（1）提出一种引入注意力机制的图像缺陷检测蒸馏模型算法。论文基于蒸馏模型的图像缺陷检测算法进行改进,将注意力机制引入到模型中,基于视觉注意力机制优化网络模型的表达能力。实验结果表明,改进后的模型提升了缺陷检测的准确度。（2）优化了蒸馏模型图像缺陷检测算法的损失函数。论文基于SSIM（structural similarity index）算法从图像的亮度、对比度、结构计算图像之间相似度的思想,设计了适用于蒸馏模型的图像缺陷检测算法损失函数。实验结果表明,改进后的损失函数能够在训练阶段更好地指引学生网络进行迭代,有效提升模型的缺陷检测效果。（3）基于论文算法,设计实现了图像表面缺陷检测系统,系统分为客户端和服务器端,客户端有样本的收集、上传、展示缺陷检测结果等功能,服务端能够对样本进行缺陷检测,并且可以同时为多个客户端服务。