制造业占我国GDP约30%,是国民经济的主体。但大而不强、自动化水平偏低的问题客观存在。在产品的生产制造过程中,表面缺陷检测是不可或缺的关键环节。传统的表面缺陷检测任务由人工完成,面临着主观性强、效率低的问题。近年来,在设备算力的推动下,深度学习技术促进了图像处理与计算机视觉技术的迅速发展。并且,在国家战略的推动下,深度学习技术正与制造业深度融合。针对工业场景的缺陷自动化检测需求,本文开展基于深层神经网络的工业图像缺陷检测算法研究。根据缺陷图像与自然场景图像的语义信息差异,提出的特征提取骨干网络充分复用前层特征,并为底层纹理信息提供快速向上传递通道。此外,使用多层特征融合及复用方法解决缺陷尺寸差异大、深层特征图存在小尺寸缺陷信息湮灭的问题。针对发动机活塞环的表面缺陷检测这一特定问题,借鉴Faster-RCNN双阶段检测算法的思想设计活塞环缺陷检测算法。本算法采用多任务学习思想,通过为骨干网络添加分类模块将有无缺陷的分类任务设为网络主任务。将缺陷检测设置为网络的子任务,并使用缺陷位置信息与类别信息的强监督信号引导骨干网络的每阶段学习指定的缺陷特征。网络参数的设置依据数据集的统计信息,并完成平台搭建与网络训练任务。使用评价指标对模型进行评估,证明了活塞环缺陷检测算法的有效性,与主流算法的对比实验验证了本算法的先进性。算法的嵌入式部署同样为工业场景的常见需求,本文提出了针对嵌入式设备的轻量化缺陷检测算法Embed Net。该检测算法的骨干网络引入深度可分离卷积大幅减低网络的参数量,提升算法的推理效率。实验围绕英伟达Jetson Nano嵌入式设备展开,使用活塞缺陷数据集验证Embed Net算法的有效性。经实验测试,Embed Net算法在Jetson Nano嵌入式设备的推理速度达到19FPS,若进一步使用Tensor RT技术对模型进行加速可将推理速度提升至25FPS,达到实时检测标准。