在我国经济的高速发展下人民生活水平显著提高,促使了第二产业不断调整升级以满足日益膨胀的市场需求。同时,人们开始注重生活品质的提升,对于日常用品的质量也提出了更高标准的要求。由于第二产业在我国产业结构中占据十分重要的地位,在其日产量巨大的背景下,质量控制成为生产过程中不可或缺的一环,缺陷检测具有十分关键的实践意义。目前大部分企业采用的方式是人工目测,但这种方式存在检测效率低、精度失真、稳定性差、成本高昂等缺点。如何快速准确、节约成本地进行缺陷检测,成为众多企业和学者不断探讨研究的课题。伴随时代的不断进步和技术的深入发展,相较于传统的计算机视觉方法,基于深度学习的缺陷检测方法具有更优良的性能,更适合工业场景的普及和运用。但目前大多数都是有监督学习,即需要对数据进行标注使其有标签再加以训练,实际的生产环境中,缺陷样本数量往往较少,缺陷的种类大多是不可预见的,且人工标注成本较高、效率低下。针对以上问题,本文的主要工作以及创新如下:（1）本文提出了一种基于深度学习GAN网络和自编码器AE模型相融合的图像重构模型。该研究基于图像重构的思想,结合了生成对抗网络GAN和自编码器AE各自的优良特性。将模型相融合时设计合理的网络结构,同时调整损失函数的设计以及训练方法,以实现图像的修复。实验阶段采用真实工业零件数据集,通过设计相应定量评价指标,并与DCGAN网络和自编码器AE的对比实验证明本融合模型的图像重构能力表现得更加突出。（2）基于构建的融合图像重构模型,提出了一种无监督工业零件缺陷检测方法。该方法只需要对无缺陷正常样本进行训练,通过重构模块实现对缺陷样本的修复,通过缺陷检测模块对原始输入图像与修复图像进行图像增强操作,再构建残差图,设计符合工业零件缺陷判定的合理阈值,实现缺陷检测。通过对比实验可以证明,该缺陷检测方法具有较高的准确度,在减少数据标注的同时能适应样本存在的未知的缺陷。因此本研究具有较高的应用价值。