太阳能电池片中存在的缺陷会影响其光电转化效率,质量及使用寿命。在电池片原料——硅片的制造过程中,由于原材料的缺陷或不当的人工操作,可能导致位错缺陷的发生,而位错密度过高的硅片将因光电转化效率过低而被废弃。在后续的制造过程中,运输、印刷等工艺环节或人工失误可能产生各种各样的电池片表面缺陷,这些大小形态颜色不同的电池片表面缺陷会影响电池片的发电效率甚至使用寿命,进而影响整个组件的使用寿命。针对位错缺陷与晶格背景强相似及电池片表面缺陷形态、颜色等变化不一的问题,本文从特征提取与融合角度进行研究,提出了针对硅片位错缺陷分割和多类别电池片表面缺陷分类的研究方法,主要研究成果如下:（1）为了实现非均匀随机纹理背景下的硅片位错缺陷区域分割,本文提出了一种新颖的强鲁棒性的多尺度特征显著性图（MFSM）来准确地分割位错缺陷。为了突出位错区域并减弱背景信息,采用参数优化的大气散射模型（PASM）来增强图像对比度并保留位错缺陷区域信息。接着,通过融合多尺度多通道的梯度特征来获得包含增强图像所有边界强度信息的轮廓检测函数。采用分水岭变换闭合轮廓检测器获得的轮廓弧,并构造一个超层次轮廓树,对所有轮廓分级索引,得到多尺度特征显著图,实现位错缺陷区域的准确分割。实验结果表明,该方法有效增强了图像缺陷信息,实现了对位错缺陷的有效分割,对复杂背景具有良好的适应性和鲁棒性。（2）为了实现多类别电池片表面缺陷自动分类,解决弱小缺陷特征提取问题,本文提出了基于多通道多尺度的卷积特征融合的神经网络模型（简称为SCeption）。SCeption模型融合了跨通道深度卷积,多尺度卷积特征融合结构和maxout,结合Dense Net结构,加强了模型多尺度特征表达能力和模型的光谱不变性,刺激了不同光谱通道神经元之间的竞争,提高了网络的学习能力,增强了模型的非线性拟合能力,大幅提升了网络在多类别电池片表面缺陷数据集上的分类性能。SCeption模型在图像三通道上分别卷积,解除了图像特征在空间上的相关性,又采用多尺度卷积特征融合分别获取大尺度特征和小尺度特征,通过自适应权值和maxout融合特征,使得模型表征能力更强,语义信息更加丰富。与其他几个主流的特征提取网络的实验对比结果显示,SCeption模型的分类精度优于这几种网络,且模型参数更少,检测速度更快。