在工业生产和运输过程中,铝型材表面的缺陷会在一定程度上影响铝型材制品的外观和安全质量。因此,在实际的铝型材产品生产过程中,对铝型材表面进行缺陷检测,并将有缺陷的产品分拣出来,是生产线上必不可少的步骤。传统的人工肉眼识别方式检测精度、效率较低;基于传统图像处理的检测方法难以应对模板复杂多变的铝型材,以及形态尺度变化大的表面缺陷特征。本文研究基于深度学习方法的铝型材表面缺陷的分类和检测,根据铝型材表面缺陷数据所具有的特点,对深度学习中的目标检测技术进行有针对性地改进,以提高算法在铝型材表面缺陷检测上的准确率和鲁棒性。本文介绍铝型材等金属材料表面缺陷检测的研究背景、相关设备和算法的国内外研究现状。分析铝型材表面缺陷的种类和形成原因,详细列出本文中采用的铝型材表面缺陷检测算法的评价指标。提出基于分类和目标检测网络的铝型材表面缺陷检测方法,设计基于ResNet和MobileNet的分类方案以及基于Faster R-CNN、Cascade R-CNN和RetinaNet的检测方案,并通过实验对比分析其优劣。针对检测网络在特征提取时对于铝型材表面的细微缺陷存在提取困难的问题,提出了基于特征提取的改进,其将可变形卷积和特征提取网络进行结合,降低了细微缺陷的漏检率,提高网络检测精度。对于检测网络中固定候选框难以匹配部分狭长的缺陷,从而造成漏检的问题,提出了基于候选框的改进,分别采用K-means聚类算法和Guided Anchoring候选框自动生成算法对网络的候选框生成部分进行改进,并进行对比。有效提高了狭长类型缺陷的检出率,降低了模型的总体漏检率。检测网络在训练时无法对无缺陷图片进行训练,使得在检测时容易出现误检,需要同时使用分类网络和检测网络才能进行有效的缺陷检测。针对这一问题,提出了基于背景增强的改进,分别采用样本增强和双通道设计的方式,使得无缺陷图片也能参与检测网络的训练过程,有效降低了检测网络的误检率,使得检测网络的分类准确率和检测精度均取得提升。最后,对全文所做的工作进行总结,并提出了进一步研究的方向。