表面缺陷检测是工业生产的重要组成部分,对工业产品的质量把控有重大影响。而人工检测方法效率较低,传统的机器视觉检测方法鲁棒性低,开发成本高,基于深度学习的检测方法成为当前的研究热点。实际应用中的表面缺陷存在形态复杂多变、尺度变化大、对比度低等问题,同时受噪声干扰及工业生产严格的要求等因素制约,使得基于深度学习的检测方法依然在网络检测速度和性能方面存在很大挑战。针对上述问题,本文提出了一种基于DenseYolo的快速表面缺陷检测算法,主要工作如下:（1）针对现有基于深度学习的表面缺陷检测主干网络以VGG和Resnet等分类网络为主,存在网络冗余和灵活性不足的问题,本文结合DenseNet和YoloV3的优点,提出从感受野角度出发设计了一种新型的DenseYolo网络,改进了YoloV3的多层预测网络,设计了 Dense模块,以使网络轻量化,能提取各种尺度特征,并提高对比度低缺陷的检测能力和定位准确性。（2）为解决基于灰度归一化互相关的模板匹配方法需要创建大量的多尺度、多角度线下模板问题,本文进行了改进,通过仿射变换矩阵即时获得旋转模板在待匹配图像中的区域,可实现在线任意角度匹配,大大降低程序对内存的要求。同时采用金字塔图像结构和粗细递进匹配的策略极大地缩短匹配时间。与基于图像结构的一般方法相比,该方法鲁棒性更高,能克服光照变化和一定的噪声干扰。（3）针对生产线采集的缺陷图像无法直接用于网络训练和测试的问题,本文首先利用提出的基于灰度归一化互相关的多角度模板匹配实现检测区域定位,再利用Yolomark工具标注缺陷种类和范围,并按照比例划分为训练集和测试集。此外,基于数据增强技术扩增了训练集图像数量。本文提出的表面缺陷检测算法以合作企业惠州高视科技提供的锂电池表面划痕、锂电池表面凹痕和凹坑数据集以及开源的钢材表面缺陷数据集为验证目标,实验结果表明该算法具有良好检测效果和检测速度,这两项都优于Faster-Rcnn、SDD和YoloV3网络。借助迁移学习技术,微调已训练好的网络,能够快速将其应用到新的缺陷检测项目,具有良好的落地优势和前景。