增材制造技术在航空航天制造业、医疗器械等高端制造领域应用日益广泛,针对成型零件质量监测的无损检测技术在其精确性、实时性、易操作性等要求上越来越高。本文针对增材制造零件缺陷图像检测技术展开研究,结合生产制造中对零件缺陷检测的实际需求,引入了前沿计算机视觉与深度学习算法,解决零件逐层堆叠成型过程中实时检测工艺缺陷的技术难题,提出一系列应用于不同场景的增材制造零件缺陷检测方法,并对提出的检测方法进行实验研究,采用缺陷检测性能衡量指标量化提出方法的可行性,通过分析对比研究方法的优势,为增材制造零件缺陷检测领域提供了一种结合图像视觉检测方法的研究基准。本文的研究内容包括:1)图像处理增材制造零件缺陷检测技术:针对零件表面图像缺陷区域与正常区域的像素阈值差异,引入改进的Otsu’s全局最优阈值分割算法;提出改进标记符控制的图像分水岭分割缺陷检测算法,采用图像形态学重建技术提取缺陷前景标记和背景标记信息实现图像缺陷分割,工艺气孔缺陷的检测准确率为95.1%;提出的小波变换缺陷检测算法,采用小波变换提取图像边缘特征获取缺陷轮廓,工艺气孔缺陷的检测准确率达到97.1%。2)基于深度卷积神经网络的增材制造零件缺陷图像分类方法:为了能够不同工艺缺陷进行分类识别,采用深度卷积神经网络构建一种轻量级缺陷分类模型Defect Net,通过制作增材制造零件缺陷分类数据集,实现零件缺陷多类多标签分类,模型训练准确率99.68%,验证数据集的识别准确率99.05%;研究设计了两种基于Inception模块的深度残差网络,通过增材制造零件断裂拉伸实验获取缺陷断口图像,基于设计的网络模型分别研究缺陷图像分类性能,实现分类精确率达到98.2%、召回率96.6%和准确率97%,达到工业级缺陷识别方案的性能要求。3)基于全卷积神经网络的增材制造零件缺陷图像语义分割方法:针对图像处理算法无法实现零件缺陷分类并完成像素级分割的问题,提出一种残差注意力全卷积网络模型,采用多模块级联耦合方式实现图像缺陷像素级分类和分割,同时基于采集并标注完成的零件缺陷语义分割数据集进行该方法的缺陷检测性能研究,模型训练准确率达到了99.89%,验证准确率达到了97.30%,各类缺陷平均DSC系数为90.82%,所有缺陷平均AS相似度为94.41%。4)增材制造零件缺陷图像实例级分割方法:针对缺陷图像语义分割方法无法完成对同种类型缺陷之间差异识别的问题,进一步深入研究并提出了缺陷图像实例分割方法,采用由三个深度神经网络模块构成的深层缺陷检测网络模型,通过深度网络首先提取图像特征,进而识别图像中缺陷特征获得目标缺陷区域,最后完成对提取到的缺陷区域进行分类和区域掩模分割,实现增材制造零件缺陷实例分割,实验表明预测6类缺陷的准确率为95.90%,精确率为91.50%,实例分割性能指标m AP（缺陷识别平均AP值）在本研究零件缺陷实例分割任务中为89.40,经过实验验证缺陷检测性能高于三类主流的目标检测算法,同时该方法缺陷实例分割速度达到每秒预测12张图片,能够实现制造过程中实时缺陷检测。