在工业生产中,基于机器视觉的表面缺陷检测是保证产品质量的重要手段之一。虽然基于监督学习的检测算法在诸多工业检测任务中取得了突出的表现,但是在许多场景下,想要获得大量带有标注的已知缺陷样本来进行学习往往是不可能的。针对许多工业场景中存在的正常样本可以大量获得而缺陷样本十分稀少,监督学习方法效果严重受限的问题,本文聚焦于各种纹理对象以及大致对齐的物件对象的无监督表面缺陷检测及定位的任务,设计了一种简单而有效的基于预训练分层特征区域建模的表面缺陷检测算法RM-PFPR。具体地,RM-PFPR利用在预训练的卷积神经网络为输入图像提取强大丰富的层次特征表示,利用多元高斯分布对图像区域的特征的正常分布进行建模,利用马氏距离对图像区域的特征进行异常打分,此外,RM-PFPR还对不同层次的特征图进行了融合,从而利用不同特征层次的信息,来得到更加可靠的检测结果。本文在公开异常定位基准数据集MVTec AD上对RM-PFPR进行了详细深入的探究,分析了不同因素对于算法效果的影响,总结了不同因素在不同情况下的具体选择策略,还将RM-PFPR和一系列同行算法进行了比较,RM-PFPR展示出了较其它同行算法更为优秀的检测精度。此外,本文在实际自动光学检测场景中对RM-PFPR算法进行了实验测试,结果表明,RM-PFPR能够克服涂装网罩产品缺陷检测中的极端缺陷占比,合格品形状存在波动的问题,有效地检出各类缺陷,具有较好的实际应用的潜力。