智慧制造的普及和发展使汽车在生产、制造、检测、维修方面走向智能化。汽车目前是人们普遍的交通工具,为了保障安全,所以车辆的装配、制造和生产都需要进行系统的检测和严格的检查。因此车辆零件的缺陷检测显得尤为重要。车辆零件缺陷检测实现了由人工检测到利用图像处理算法结合传统的特征提取算法再到机器视觉方法的发展历程。但是大多方法都是针对于某一特定缺陷,或某一位置的缺陷进行研究的,对多种缺陷进行识别的算法较为少见,并且有些方法仍需人工再次检测。针对上述问题,本文根据汽车装配过程中常见的传动轴缺陷、避震弹簧缺陷、定位螺栓缺陷、减震器缺陷四种缺陷展开研究,提出了一种基于深度学习的汽车零部件缺陷检测算法。首先对车辆零件图像数据集进行处理和数据增强。由于汽车零部件的图片背景比较复杂,有许多干扰因素,所以利用腐蚀、膨胀、中值滤波去噪的方法处理实验图片。同时使用图像对比度增强、图像缩放、图像旋转以及图像的垂直和水平镜像处理方法进行了数据增强处理。其次利用卷积神经网络完成分类。借鉴VGG16网络模型,简化其复杂的模型结构,构建了一个小型VGG网络模型S-VGG。在此基础上,结合Inception V3模型中的非对称卷积思想以及隐藏层融合的思想,设计出一个带有融合层的卷积神经网络模型SF-VGG。随后在模型中加入密集连接网络的思想,扩展了网络的深度,构建了Dense SF-VGG网络模型。本文对SF-VGG网络模型和Dense SF-VGG网络模型做了充分的实验,实验证明SF-VGG网络模型和Dense SF-VGG网络模型在测试集上的准确率分别达到98.36%、98.73%。并与Goog Le Net模型、VGG16模型、构建的S-VGG模型进行了对比,证实了本文模型的优越性。最后通过模糊图片测试实验与无关数据实验验证了模型的鲁棒性。在制作的模糊图片数据集上的准确率为95.75%;无关数据实验在无关图片数据集上的准确率为91.4%。从实验结果中得出本文模型在车辆零件缺陷检测中具有有效性、准确性和可行性。