随着手机对人们生活的影响越来越大,社会对关键部件手机镜头表面的质量要求也越来越高。因此需要在生产过程中检测出手机镜头的表面缺陷从而提高良品率。目前手机镜头生产线上普遍采用人工检测与传统机器视觉检测,其中人工检测耗费人力资源且错误率高,而传统的机器视觉检测对于特定缺陷需要专家进行专门的设计,不具有通用性,并且只能提取到浅层特征,所以性能有限。因为深度学习能够实现对图像深度特征的自学习,且对多种缺陷有通用性,本文基于深度学习研究了手机镜头表面缺陷的检测算法。研究的内容主要包括以下几个方面:（1）由于深度学习算法需要大量的样本数据进行学习训练,若可供学习的样本较少则不能充分发挥深度学习算法的优越性,且面临过拟合等现象。针对数据不足的问题,本文采用Vector Quantized Variational Auto Encoder-2（VQ-VAE-2）算法来生成高质量样本数据,生成的数据能够有效缓解小样本问题。（2）针对手机镜头生产线上需要高精度高速度检测算法的情况,本文设计一种基于改进YOLOv4的有监督镜头表面缺陷检测算法,实现了端到端的检测。该算法选取YOLOv4作为基本架构进行后续改进。首先,通过引入注意力机制来提升算法对于空间与通道两个方面的特征提取能力,能够提升算法对于缺陷的定位与识别能力从而增强其检测性能。然后,对特征融合网络进行改进,能使浅层特征与深层特征充分的结合在一起,从而增强算法对于小目标的检测能力。最后,为了提升算法的检测速度,通过裁剪冗余卷积层来精简网络结构,能有效加快检测速度。通过在镜头数据集上训练模型,改进后的模型具有较好的效果,检测精度与速度均能满足工业实际生产的需要。（3）针对手机镜头生产线中面临的缺陷样本少且难以获取,有监督算法需要大量人力以及时间标记缺陷的问题,本文提出一种基于改进Patch Distribution Modeling（PaDiM）的无监督镜头表面缺陷检测算法。该算法使用PaDiM作为基准方法,分别进行三个方面的改进,通过对比算法的分类与检测指标证明改进的有效性。首先,为了使算法能更好地提取图像的代表性特征,将特征提取网络替换为结合跨通道与注意力的ResNeSt网络,可以提升算法的整体指标。然后,针对算法不能准确地评判像素是否异常,使用标准分数（Z-Score）作为阈值计算方式,能够提升检测性能。最后,为了更准确地估计总体协方差,使用Oracle Approximating Shrinkage（OAS）替代样本协方差矩阵计算协方差,进一步提升了算法的整体指标。所提算法实现了无监督的镜头缺陷检测,仅需良品即可训练,减少了人力与时间成本,能够对图像是否异常进行分类并检测出缺陷。实验结果表明,本文能够生成高质量的样本数据,有效缓解了样本少的问题。设计的有监督检测算法对于纹黑线的检测精度达到98.23%,线状不良的精度达到90.72%,速度在2080Ti显卡上为39帧/s,符合实际生产需求。提出的无监督检测算法AUC达到0.956,召回率（Recall）达到71.85%,可以实现仅使用良品训练,易于实际生产中快速部署。