复杂场景主要是指继续沿用原有的检测算法难以保证算法精度和算法速度的一系列特殊场景。在金属表面缺陷检测的复杂场景中,检测算法效果变差的主要原因是缺陷目标区分度不高、大小不一、分布不均匀、数据采集条件差导致的检测精度低;以及生产环境中的运算能力限制导致的检测速度慢。如何在复杂场景下满足需求完成高效准确地缺陷检测工作是计算机视觉中的热门研究方向。本文针对金属表面缺陷检测场景,在缺陷定位于缺陷分割两个方向开展研究,具体工作与创新点如下:（1）详细介绍了卷积神经网络的基本理论技术,并概述了传统的目金属表面缺陷检测方法,以及基于深度学习的目标检测与语义分割经典模型,为复杂场景下的创新模型的设计提供参考。（2）由于金属表面易反光,灰度变化小,所以复杂场景下的金属缺陷目标检测主要难点是各缺陷特征不明显,背景干扰大。本文针对性地提出了金属检测卷积神经网络（MDCNN）,主要创新点为改进回归目标框、引入CIo U损失函数。经过一系列的实验证明,该模型不仅检测速度快,而且检测精度高、鲁棒性良好。（3）由于金属表面颜色特征少,且缺陷大小不一,小目标多,因此复杂场景下的金属缺陷分割的主要难点在于颜色特征的缺失导致的易错分,以及小目标导致的分割困难。本文针对性地提出了铁轨分割注意力网络（RDDA-Net）,引入了注意力模块与新的损失函数提升模型在图像细节与小目标上的分割精度,同时保证模型有着良好的实时性。经过一系列的实验证明,该模型性能能满足实际需求,且具有良好的泛化性,在瓷瓦等材料的表面缺陷分割场景也能有不错的性能。