面向工业领域的异常检测在现实工程中必不可少。随着工业的高速发展,针对工业生产的异常检测的必要性逐步体现。对于真实工业场景下的钢材表面出现的针孔、破洞、压印、折印等缺陷,需要及时地、准确地检测出来以降低风险,避免后续的一系列工业事故和经济损失。相比于高人力成本消耗、低效率、低精度的人工异常检测,基于视觉的机器智能化异常检测方向逐步体现出其价值意义所在。随着深度学习在图像分类、目标检测、语义分割等相关领域的快速发展,研究人员开始着力部署这些高精度的算法去解决工业实际的问题,其中就包括本文主要涉及的工业缺陷异常检测领域。然而,在真实工业场景之中存在着诸多难题:一方面,算法模型对于数据有很大的依赖,需要人工定义缺陷,并且消耗大量的人力去完成真实工业场景的数据标注,这样不仅效率低,而且人工标注也势必会带来在定义和标注上的误差;另一方面,真实工业场景数据中异常缺陷总是存在于极少数的样本之中,异常缺陷一般都比较细小,难以识别,且正负样本数据不均衡,所以也会带来一系列的问题。针对上述的问题,本文旨在设计一个可以充分利用正常样本数据,对数据依赖更少,精度更高的基于语义分割的工业钢材异常缺陷检测算法。本文提出了一种基于“异常重建+对比判别”的半监督对比学习的异常缺陷检测网络架构。其通过对于正常样本进行异常模拟,得到模拟异常样本,然后利用异常重建网络实现对这些模拟异常样本的“去异常化”的复原重建,将复原重建样本与正常样本进行损失计算,从而训练出一个由异常样本生成复原重建样本的异常重建网络。对于异常样本与其复原重建样本,通过后续的对比判别网络,形成两个样本图像的对比学习,检测异常缺陷位置,最终得到异常检测结果。得益于无标签的正常样本的充分利用,半监督对比学习的异常缺陷检测网络模型架构实现了更高的精度,同时对于数据依赖更低。我们在真实工业场景下的钢材表面缺陷数据集中进行实验,以实现钢材表面的折印和边裂两种缺陷的检测,以及对机床区域的定位。通过对比基础语义分割算法,展示了我们提出的网络架构的优越性。其次,针对上述提出的半监督对比学习的异常缺陷检测网络架构,为了提高异常重建网络和对比判别网络的性能,我们设计了一种掩膜特征学习模块MFLM,其包含了掩膜空洞卷积和Transformer注意力机制,建立了一个高效的异常重建网络优化模块,更好地优化了重建网络的异常复原的能力;同时设计了CALM的对比注意力学习模块,提高对比判别网络在空间和通道上的对比学习能力。最终在真实工业场景下的钢材表面缺陷数据集中进行实验,对比了基础网络架构,实现了更优的检测效果和性能。