传统的二手手机回收主要依靠人工完成,存在效率低、主观性强、成本高等问题。为了改善现状,本文对面向手机回收的表面缺陷检测与残值评估技术进行研究,重点包括以下几个方面:（1）面向表面缺陷检测的手机屏幕复合清洁。针对手机屏幕表面强附着力脏污难清除,导致表面缺陷检测时存在误检、漏检的问题,提出复合清洁法。首先,采用盘刷旋转对手机屏幕进行预清洁,将脏污与屏幕分离;其次,采用海绵擦拭将预清洁后残留的废弃物带离手机屏幕。为进一步提升清洁效果,采用Design-Expert响应面分析方法对复合清洁的关键参数进行优化。实验结果表明,经优化的复合清洁方法清洁后,手机屏幕表面强附着力脏污残留率仅为0.018%,相较于海绵单向擦拭和盘刷移动旋转清洁分别降低了3.941%、4.761%。（2）基于CBAM-YOLOv5x改进模型的手机表面缺陷检测。针对原始YOLOv5x模型对手机表面细微缺陷检测精度较低的问题,提出一种融合卷积块注意力模型（Convolutional Block Attention Module,CBAM）的YOLOv5x手机表面缺陷检测算法,记作CBAM-YOLOv5x。首先,使用Ghost Bottleneck模块替换主干网络的Bottleneck模块,提高模型的特征提取能力;其次,在YOLOv5x主干网络的CSP模块后引入卷积注意力模块,进一步提升模型对细微缺陷的检测精度;再次,通过优化检测网络的损失函数提高整个网络的检测精度。实验结果表明,基于CBAM-YOLOv5x改进模型的手机表面缺陷检测方法对划痕、破损及磕碰掉漆等3类缺陷的检测平均精度均值m AP@0.5到达了91.7%,相较于SDD模型、Faster R-CNN模型、YOLOv3模型以及改进前YOLOv5x模型分别提高了25.3%、15.2%、16%、11.5%。（3）基于RFR和LM-BP神经网络的手机表面缺陷贬损值与残值评估。针对二手手机表面缺陷贬损值影响因素众多且难以量化的问题,提出基于随机森林回归（Random Forest Regressor,RFR）的评估模型,通过建立表面缺陷特征与贬损值之间的精确映射关系,实现手机表面缺陷贬损值的准确评估。实验结果表明:基于RFR的手机表面缺陷贬损值评估模型的均方根误差RMSE为20.6,相较于MLR模型和ANN模型分别下降了5.0和2.3。针对二手手机回收价格影响因素较多且难量化以及反向传播（Back Propagation,BP）神经网络易陷入局部最优致使评估精度降低的问题,提出基于Levenberg-Marquardt（LM）算法改进的BP神经网络评估模型,记作LM-BP神经网络。首先使用主成分分析（Principal Component Analysis,PCA）方法选取影响二手手机残值的关键因素;其次采用BP神经网络构建手机残值评估模型,并通过LM算法调整网络权值和阈值使模型期望值与实际值差距最小化,从而实现二手手机的精确定价。实验结果表明:基于LM-BP神经网络的手机残值评估模型的均方根误差RMSE为90.3,相较于MLR模型、RFR模型以及BP神经网络模型分别下降了47.2、7.7和12.5。最后,通过开发手机回收系统和组建工程样机进行相关功能的测试,验证以上各项关键技术的可行性。