偏光片作为液晶显示器不可或缺的重要组成部分,在显示领域有着广泛的应用前景,其质量会直接影响液晶显示器的显像效果,对偏光片进行表面缺陷检测已成为制造过程中的重要环节。目前,依靠人工检测的手段已经不能满足实际生产需求,传统检测方式提取特征泛化能力差,而深度学习能够从大量数据中自主学习,提取到的特征更具有代表性。本文利用基于深度学习的目标检测算法完成偏光片表面缺陷检测,主要研究内容包括以下几个方面:（1）研究深度学习检测算法的相关理论,详细介绍了经典卷积神经网络模型,分别将这些模型用于提取偏光片表面缺陷,通过实验对比选择Res Net-101能够更好地自主学习其表面存在的缺陷;详细分析了以R-CNN为代表的和以YOLO为代表的目标检测网络,综合考虑缺陷检测的效率和精确性,选择Faster R-CNN为基本框架建立检测模型,并给出了目标检测相关的评价指标。（2）研究基于Faster R-CNN的偏光片表面缺陷检测方法,针对Faster R-CNN算法中在特征提取过程中出现的不能很好识别出小缺陷尺寸问题,在特征提取网络Res Net-101中引入特征金字塔网络（FPN）构成残差-特征金字塔网络;针对网络中ROI池化操作会出现两次量化取整导致像素缺失的情况,设计多级ROI池化结构替代传统粗糙的ROI池化层,并通过实验来确定多级ROI池化结构的划分方案;针对原始RPN网络中的锚框方案并不适用于建立好的偏光片缺陷数据集上,结合聚类算法k-means++进行优化改进;将改进后的Faster R-CNN网络用于偏光片表面缺陷检测,通过实验与其他算法进行对比分析,改进后的Faster R-CNN网络在保障准确度的同时也能拥有良好的检测速度。（3）研究基于Mask R-CNN的偏光片表面缺陷检测方法,Mask R-CNN是以Faster R-CNN为原型的一种网络,最主要的区别在于Mask R-CNN为每个ROI添加并行分支进行实例分割,主要围绕调整“Head”部分神经元个数和调整特征提取网络以及去掉掩码分支三方面的策略进行优化改进,并结合实验分析它们对网络性能的影响,通过不同算法下检测时间的多少、边界框以及掩膜预测结果的准确性来确定Mask R-CNN-512能够在检测速度和精度达到最佳性能,将改进后的Faster R-CNN和Mask R-CNN以及原始YOLOv3在偏光片待测图像进行实验对比,根据检出数、漏检率和误检率分析这三种方法在偏光片表面缺陷检测任务中的表现,最后通过实验数据表明改进后的Mask R-CNN的性能优于其他两种方法。