随着深度学习技术在工业领域应用的不断深入与工业生产自动化、无人化和智能化的持续推进,将深度学习算法应用于工业零件表面缺陷检测逐渐进入研究人员的视野。中国制造2025的提出与不断推进,也对工业生产领域尤其是制造业的高标准高质量发展提出了要求。为了实现SIM卡条带表面缺陷检测的无人化与自动化,本文综合利用数字图像处理技术与深度学习技术,分析了各自的技术特点,设计并实现了一套综合各自优点的,基于深度学习的表面缺陷检测方案。目前SIM卡条带表面的缺陷检测任务大多由人工与基于经典视觉技术的缺陷检测算法来完成,人工检测费时费力,经典视觉技术泛化能力差,鲁棒性不高,为此,本文进行了以下研究内容:（1）针对SIM卡条带缺陷检测的应用场景,本文完成了图像采集方案设计,为算法部署在工业现场提供基础,并为缺陷检测算法的设计与研发提供数据集保证。此外,针对实际工业生产中缺陷样本数量不足、与正样本之间不平衡的问题,本文研究了基于经典视觉技术和生成对抗网络的扩充数据集方法。（2）针对获得的SIM卡表面缺陷尺寸较小,缺陷特征不明显等问题,本文研究了基于局部二值模式（LBP）的局部缺陷特征强化技术,并提出了对经典LBP算法的改进方案。实验表明,改进后的算法在抗噪声、算法运行速度等方面均有提升。（3）利用现有的神经网络进行训练准确率并不高,为此本论文利用获得的原始图像与经过预处理后的图像同时用于卷积神经网络的训练,准确率相比于用原始图像的方法得到了提升;并且使用自编码器作为特征提取器,将特征向量作为分类器的训练输入,进一步提升了准确率。（4）为了缓解小样本的问题,本论文还采用了无监督学习技术完成了缺陷检测任务,具体地,采用了降噪卷积自编码器完成了对原始数据样本的无缺陷重建,进而利用背景减除算法完成了缺陷的识别与定位。为与利用深度学习的算法进行对比,本论文还完成了基于经典视觉技术的缺陷检测算法设计与实现。