包覆药作为一种高能量材料,通常被嵌入在固体火箭或导弹发动机动力系统中,其外观质量直接影响着该类动力系统的性能表现。但包覆药生产技术的落后导致其产品存在不同类型的外观缺陷,如:尺寸缺陷、形状缺陷和表面缺陷,因此实现包覆药外观质量的检测至关重要。然而,当前基于数据驱动的质检方法大多只能检测单一类型缺陷,难以同时完成包覆药不同类型缺陷检测任务。此外,针对包覆药表面缺陷数据匮乏难题,探索基于小样本数据驱动的智能检测技术成为包覆药制造业的迫切需求。为了克服上述问题,本文开展了基于机器视觉的包覆药外观缺陷智能检测技术研究,主要研究内容和创新点如下:（1）提出了基于深度语义分割的包覆药尺寸缺陷检测方法。本文将深度语义分割网络作为包覆药尺寸缺陷检测前处理技术,之后利用传统边缘提取算法捕获包覆药外观尺寸统计特征,并通过空间坐标转换规则确定包覆药实际尺寸,进而实现包覆药尺寸缺陷检测。实验证明,该方法的尺寸缺陷检测准确率达到95.90%。（2）提出了基于集成深度框架的包覆药形状缺陷检测方法。本文设计了一种多任务学习的集成深度框架,通过共享特征提取网络层将基于深度语义分割的尺寸缺陷检测模型和基于深度分类器的形状缺陷检测模型集成为一个深度框架,并通过阻断深度分类器向共享特征层的梯度流,避免两个任务在训练过程中互相干扰的难题。实验证明,该方法的形状缺陷检测准确率高达99.43%,达到生产环境理想质检水平。（3）提出了基于级联注意力机制的包覆药表面缺陷检测方法。本文提出了一种基于两阶段的包覆药表面缺陷检测方法,该方法将深度语义分割网络作为第一阶段,主要用于实现感兴趣区域的定位及分割,同时为基于深度自编码器的第二阶段提供视觉注意力机制,保证包覆药表面缺陷检测算法聚焦于包覆药表面本身并完全抑制背景信息干扰。实验证明,该方法的表面缺陷检测准确率达97.87%,为正样本驱动的表面缺陷检测模型提供了新的研究思路。（4）完成了包覆药外观缺陷智能检测系统设计与实现。本文根据实际生产需求并配合硬件控制装置,从数据层、算法层和应用层三个层级将上述算法集成并研发具有易部署、易扩展和易使用的包覆药外观缺陷智能检测系统。在实际作业环节中该系统检测速度达15.9帧/秒,符合实际生产需求。