一次性末梢采血针（简称采血针）是糖尿病人自测及医疗诊断的必要手段。目前,采血针的质检环节主要依靠人工检测,为了观察到明显的缺陷特征,采血针检测需要在强光照射下进行,长时间的重复检测工作会使检测人员产生视觉疲劳,影响检测的稳定性。为了实现采血针检测自动化,提高采血针检测的速度和精度,本文研究了基于深度学习的采血针缺陷检测算法。主要工作如下:（1）本课题研究的采血针对象具有目标数量多、缺陷品占比少等特点,为了解决采血针数据集问题,分别制作了用于分类网络缺陷检测的单只采血针数据集、采血针目标数量均衡的多目标采血针数据集。（2）基于分类网络的采血针缺陷检测方法研究。实验选用VGG16、Res Net50、Dense Net121和Mobile Net V2四种卷积神经网络模型用于采血针缺陷检测研究,利用单只采血针数据集对模型进行训练与测试,在测试结果中,四种模型的检测准确率均达到99.50%以上,但平均检测时间在1s以上,不能满足生产检测的实时性要求。（3）基于改进YOLOv3算法进行采血针缺陷检测方法研究。在YOLOv3的骨干网络上加入CBAM注意力模块,并对激活函数进行优化。利用多目标采血针数据集进行模型训练,并通过参数调节得到最优模型。在测试集上,改进YOLOv3算法的m AP值达到98.28%,检测时间为67ms。（4）设计并实现采血针缺陷检测系统。搭建采血针图像采集模块与采血针传送运动装置,完成显示界面设计,并对系统进行实验测试。测试结果表明,该系统检测准确率为99.15%,可以实现采血针注塑后的缺陷检测,检测时间为0.5s,具有较好的可靠性和实用价值。本文研究了基于深度学习技术的采血针缺陷检测方法,并初步设计了采血针缺陷检测系统,实现了采血针注塑后的自动化检测,该系统具有良好的效果。