异常检测是计算机视觉领域的热点研究方向之一,也是电动汽车智能制造过程中的关键环节。在电动汽车生产装配过程中,电动汽车的动力电池系统（电池包）在完成最后的封装前,需要对其内部进行异常检测。电池包是一种复杂的装配件,其典型的异常包括异物、零件缺失、装配错误、零件缺陷等,其中异物检测是问题的关键。散落的异物如不及时发现,一方面会造成严重的安全隐患,另一方面产品返修时消耗大量的人力物力,造成大量的经济损失。因此开发基于机器视觉的自动化异物检测系统很有必要。但是,由于电动汽车电池包面积大、内部结构复杂,电池模组之间、模组与箱体内壁之间存在缝隙、线缆与束线管易变形等因素,传统的机器视觉技术面临诸多挑战。为此,本文针对生产线的实际需求,研究了若干基于深度学习关键检测算法,并搭建了异物检测实验装置对其进行了验证,主要研究工作如下:（1）根据电动汽车电池包异物检测流程,对异物检测系统视觉成像方案进行优化设计。分析电池包内部结构特点,将检测区域分成两种典型类型,分别为每种区域类型设计相应的检测算法,在此基础上形成完整的视觉检测总体框架,以适应电池包不同区域异物检测的要求。（2）针对电池包中带有柔性易变形的线缆和束线管等区域,研究了一种基于YOLOv5框架的有监督异物检测算法。重点针对有监督深度学习中异物样本难采集、异物样本数据量少、人工标注效率低等问题,采用Blenderproc工具库对虚拟环境进行渲染,以合成图像作为预训练数据集,并通过实验验证该方法的有效性。同时为了区分正常装配零件与散落异物,采用图像相似性度量计算模板图像和预测框所截取图像的相似度,从而筛选出真正的异物。（3）针对电池包中相对稳定、不存在柔性变形物体的区域,提出了一种结合全局模板特征的基于图像重建的异物检测算法,实现对未知类型异物的检测。重点研究了当前常用图像重建算法因过度重建而无法检测大面积异物的问题,提出了一种集成全局模板特征与特征编辑替换操作的无监督深度学习检测算法,并通过对比实验和消融实验对该方法的有效性和鲁棒性进行了验证。（4）根据所设计的检测方案,对关键硬件进行选型,搭建了相关实验平台,并基于Qt界面库完成了检测软件原型系统的开发。针对实际工程应用,以异物检测系统检测效率和多任务统筹为出发点,研究了基于TensorRT的算法部署问题,达到加速深度学习网络模型推理速度的目的。在此基础上,利用搭建的实验平台对模拟电池包的电脑机箱实体进行异物在线检测模拟实验,验证了异物检测系统的有效性。综上,本文完成了基于深度学习的电池包异物视觉检测系统的设计,实现了工业机器人搭载工业相机的智能自动化检测,并通过原型系统进行了实验验证,达到了设计指标要求。本文工作有望为电动汽车生产线提供一种实现异物智能检测的可行解决方案。