随着通信技术与移动互联网的快速发展,智能手机已经成为人们生活工作中必不可少的物品,消费者对手机外观造型的质量要求也随之提高。缺陷检测作为手机外观质量监测的重要环节之一,传统的表面缺陷检测算法受制于检测环境因素的影响,往往难以提取出有效的特征。而落后的人工检测手段更加不能满足智能制造背景下的生产需求。深度学习技术的发展为手机中框的缺陷检测带来了契机,由于其数据驱动的特性,对开发者没有先验知识的要求,具有良好的鲁棒性和通用性。借此,本文围绕手机中框检测中缺陷目标较小,检测召回率低,实时性差等问题进行讨论与研究。通过对过往缺陷检测网络的阐述与实验分析,提出了面向手机中框缺陷检测的深度学习网络。其中,主要的研究内容与创新点如下:（1）鉴于目前仍没有开源的手机中框缺陷数据集,因而完成了本课题数据集的采集。针对课题数据集存在的样本量少,数据不平衡的问题,本文提出了一种基于生成对抗网络的缺陷样本生成方法。生成结果表明,该方法能有效扩充缺陷样本,提高数据集的多样性。（2）对Faster R-CNN、SSD及YOLO三种主流的缺陷检测进行深入研究,从网络集构的层面分析了各自的检测原理。并在开源数据集和本课题数据集上进行横向对比实验,分析了网络间的性能差异。为后续面向手机中框检测网络的改进和优化实现奠定了理论基础。（3）针对高分辨率背景下的小目标检测问题,本文采用优化度量距离的k-means聚类的对Anchor box进行重计算,使网络更好地拟合不同大小的曲线目标。在网络特征提取方面,提出以CSPDarknet53代替Darknet53作为网络的特征提取骨架,同时引入了特征金字塔池化层SPP模块,将不同尺度的特征图进行有效融合,进一步扩大了感受野,提高小目标检测能力。最后对Anchor box的匹配策略进行调整,通过降低IOU匹配阈值,进一步提高小目标缺陷的召回率。（4）为了进一步提高检测网络的收敛速度与检测精度,提出以带有热重启的随机梯度下降算法SGDR作为本文网络的训练优化器。热重启的特性能够更有效地调节学习率的变化,同时可以避免陷入局部最优值。与SGD、Adam的对比实验结果表明,SGDR在面向手机中框的缺陷检测中具有更优越的收敛速度与检测精度。（5）基于检测网络的理论基础与优化改进,设计了一套面向手机中框的缺陷检测系统,完成了相关软硬件模块的搭建。实验结果表明,改检测系统具有较好的检测性能,能够充分满足工业检测环境的精度与实时性要求。