表面缺陷检测是工业流水线上的重要一环。传统的表面图像缺陷检测方法一般分为两个阶段：特征选取和缺陷识别。这类方法受限于图像特征的选择，针对不同的对象要设计不同的特征提取方法，提取不同的特征，因此适用于多对象的通用图像缺陷检测算法将是一个重要的研究方向。近年来，稀疏表达在多个领域得到广泛应用，并且在图像处理领域取得了良好的效果。本文着重研究了将稀疏表示应用于图像缺陷检测的三个关键步骤:缺陷检测模型、字典学习和稀疏分解。主要研究内容如下：　　(1)查阅了大量国内外参考文献，讨论了现阶段图像缺陷检测算法中的关键技术，分析了传统方法存在的不足。在稀疏表示理论基础上，提出新的缺陷检测模型，以图像在冗余字典下表出系数的稀疏度判断图像是否为缺陷图像，然后用全局系数特征对缺陷进行提取，得到缺陷的二值化图像。　　(2)分析比较了现有的几种经典字典学习算法，讨论了将其应用于图像处理时存在的缺点，提出新的字典学习算法，新算法在OLM字典学习算法基础上引入BPG算法，在求解多重凸优化问题时引进递推系数，在保留OLM算法优点的同时，解决了OLM算法在更新字典时采用的块坐标法效率不高的问题。实验结果表明，新的字典学习算法相比OLM和其他算法学习速度更快，训练出的字典性能更佳。　　(3)针对OMP稀疏分解算法复杂度高的问题，考虑到用于字典训练的无缺陷图像样本和待检测的图像之间存在很大的相关性，受迁移学习思想的启发，在OMP算法的基础上引入先验矩阵，提出改进的OMP算法。并用样本集对算法进行了验证，改进的OMP算法在保证算法性能的前提下，减少了求解过程的迭代次数，加快了稀疏求解的速度。　　(4)最后将整个算法应用于具有纹理的钢板表面图像缺陷检测，验证了算法的有效性，并证明了本文提出的算法同样适用于工业流水线上其他产品的表面缺陷检测。