随着深度学习和机器视觉不断发展,能够自动学习特征的卷积神经网络在图像上得到了除图像识别之外的更多应用,比如图像分割和图像目标检测领域。本文以钢板和铝铸件为研究对象,工件表面缺陷静态检测为主要研究内容,从工件表面缺陷识别、工件表面缺陷检测以及工件表面小缺陷检测三个方面进行研究,结合相关理论提出了对应的方法。本文主要工作如下:（1）针对经典卷积神经网络识别网络的缺陷识别准确率低以及提取的特征不能准确反映缺陷的位置形状等信息的问题,提出了一种带有对称模块（Symmetrical Modules,Symn）的新型的识别网络,并将其命名为对称卷积神经网络（SCN）。SCN基于残差网络（Residual Network,Res Net）,使用批量归一化层（Batch Normalization,BN）加速收敛,步长为2的卷积层代替池化层进行下采样,设计的对称模块Symn包括捕获上下文的收缩路径和实现特征融合的对称扩展路径,能够实现对特征图的每个像素点识别,来判别该像素点是否属于缺陷。在东北大学的公开钢板表面缺陷识别数据集（NEUCLS）和自制的铸件表面缺陷识别数据集（CAT-CLS）上进行缺陷识别实验,实验结果表明:SCN的识别准确率高于常见的识别网络Res Net-101和Dark Net-53,缺陷的位置形状信息也更好地得到了表达,说明SCN的缺陷识别性能优越,提取特征的可分性强。（2）针对常见目标检测网络存在的检测性能m AP有待提升以及缺陷定位不准确的问题,结合特征金字塔网络（Feature Pyramid Networks,FPN）和SCN设计了一种新型缺陷检测网络（SYOLOv3）,并提出一种关注缺陷位置的交并比指标（XIo U）用于定义其损失函数。SYOLOv3以（1）中SCN作为骨干,使用三个具有FPN结构的检测分支从多尺度进行缺陷检测。SYOLOv3首先基于k-means++聚类方法寻找最优初始候选框,然后使用标签平滑归一化（Label-Smoothing）与提出的XIo U来定义损失函数并通过Adam优化算法训练网络,最后在测试阶段使用非极大值抑制算法（Non-Maximum Suppression,NMS）对预测结果进行最优选取。经过在钢板表面缺陷检测数据集（NEUDET）以及铸件表面缺陷检测数据集（CAT-DET）上进行实验,发现SYOLOv3的检测性能以及定位性能要优于当前一些主流目标检测网络YOLOv3系列和Faster-RCNN系列,SYOLOv3的速度也具有实时检测的潜力,说明了SYOLOv3在工件表面缺陷实时检测领域具有一定的使用价值。（3）针对小缺陷特征不明显、数量在图像上分布不均匀等问题导致的检测网络对其关注度低和检测效果差的问题,提出了一种针对于小缺陷的检测方法CSYOLOv3,其使用贝塔分布优化的样本增强算法（Mosaic）进行小缺陷样本扩充,然后通过特征复用和损失加权提高了SYOLOv3对小缺陷的注意力。CSYOLOv3方法中的小缺陷样本扩充方法BMosaic使用贝塔分布动态调整原始样本和扩充样本之间的比例,CSYOLOv3还对SYOLOv3进行大特征图拆分重用和损失函数加权操作来提高小缺陷注意力。在NEUDET和CAT-DET上进行实验,实验结果表明:BMosaic的样本增强效果优于Mosaic,CSYOLOv3小缺陷的检测性能较优,说明了提出的小缺陷样本扩充算法的可行性以及CSYOLOv3对小缺陷的注意力机制。