玻璃面板缺陷检测是电子产品质量控制的重要环节之一。如何准确、高效的对玻璃面板进行缺陷检测是目前许多厂家急需解决的难题。近些年来,深度学习技术在诸多领域取得了巨大进步,已经成为机器视觉领域取得突破的关键性技术。为了快速、准确的检测出玻璃面板中存在的缺陷,本文研究了基于深度学习的玻璃面板缺陷检测算法,着重解决玻璃面板缺陷检测中的两类任务,即识别玻璃面板中有无缺陷和分类检测玻璃面板中的缺陷类别,并对检测算法进行了评价。为了识别玻璃面板中是否存在缺陷,本文研究了一种基于生成对抗网络的玻璃面板缺陷检测算法。本文首先构建了一个图像修复网络,如果图像中存在缺陷区域,则修复网络会对这些缺陷区域进行修复。最后将原始图像与修复后的图像进行差分比较,可以确定玻璃面板中的缺陷区域。最终测试证明,本文采用的算法表现优越。为了检测出玻璃面板中的缺陷位置及类别,本文研究了一种基于Faster R-CNN的玻璃面板缺陷检测算法。本文根据现场采集的玻璃面板缺陷图片构建数据集,并对已有的缺陷图片进行扩充。本文在Faster R-CNN算法上,用K-means++聚类方法对锚点生成方法进行改进,并且采用不同特征提取网络和不同锚点生成方法进行对比分析,选取了合适的特征提取网络和锚点生成方法。并且通过适当减少非极大值抑制后选用的锚点数目,提升了缺陷检测速度。测试结果证明,该缺陷检测算法检测精度高、速度快。最后,本文研究了一个玻璃面板实时检测平台,主要包括图像采集模块、运动控制模块、缺陷检测模块等,涵盖了玻璃面板从图像采集到缺陷检测的整个过程。