多晶硅太阳能电池作为一种能够将光能转化为电能的装置,具有成本低、价格低廉并兼具高转换效率的优点,在各行各业有着广泛的应用。但是其在生产制造过程中不可避免会造成缺陷如断栅、隐裂等,这会降低光电转化效率,影响太阳能电池产品质量。针对多晶硅太阳能电池近红外图像中存在复杂的非均匀纹理,样本数据不均衡等问题,传统的机器视觉技术难以保证缺陷分类和检测精度。近年来,迅速发展的深度学习为智能化产品质量检测提供了技术基础。因此,本文针对多晶硅太阳能EL（Electrolum inescence,EL）图像缺陷样本类别不均衡,背景易干扰的特点,对基于深度学习不均衡样本下的太阳能电池缺陷检测技术进行了研究。论文的主要研究内容和成果如下:（1）针对太阳能电池EL缺陷样本类别不均衡及复杂的非均匀纹理背景特点,本文提出一种新的深度度量学习模型KML-CNN,应用于多晶硅太阳能电池EL缺陷分类任务。该模型首先利用密集连接多尺度特征融合网络提取太阳能电池片EL图像的特征,以提高对复杂非均匀纹理背景的特征描述能力。然后,对提取的特征进行度量正则化,通过斜坡损失函数降低离群样本干扰,进一步优化特征空间,提升分类器的分类性能。实验结果表明,本文提出的方法同传统的深度学习分类模型相比,可以有效的缩小类内距离、增大类间距离,充分提取缺陷特征。在太阳能电池EL缺陷不均衡数据集上具有更高的分类精度。（2）针对目标检测框架下的太阳能电池EL缺陷目标区域与背景区域数量的不均衡情况,本文提出一种自注意力多尺度融合的缺陷检测方法,AMLS-Net（Self-attention Multi-level and multi-scale,简称AMLS-Net）。为了克服太阳能电池EL图像复杂的非均匀纹理背景干扰,本方法通过将自注意力机制应用到多尺度特征提取层,利用缺陷图像的空间特征,学习缺陷位置信息,提升特征图中缺陷位置的权重。多尺度融合特征不同尺度信息,提升对缺陷目标区域的信息提取能力。针对模型分类和回归时的样本不均衡,平衡梯度流和均衡化L1损失提升正样本的权重。实验结果表明,本文提出的太阳能电池EL图像缺陷检测算法同现有的缺陷检测方法相比,具有更高的检测精度和处理速度,能够实现缺陷的精准检测与定位。