轴承作为旋转机械的重要零件,由于某些生产工艺存在一定的不确定性,其外圈表面可能会存在划痕、磕碰等缺陷,缺陷轴承对机器运行的稳定性和机器寿命有着重要影响,轴承在出厂前都会进行品质检验分类,目前主要是采用人工抽检,这种方式费时费力且不能全部检测。近些年发展的机器视觉技术具有快速、稳定、准确、无损检测等优点,很适合应用在流水生产线上对轴承缺陷进行检测。结合目前深度学习技术的蓬勃发展及其在特征分类上的优秀表现,本文设计了一套轴承外圈表面图像采集装置和基于深度学习的轴承表面缺陷分类算法,具体研究内容包括以下几个方面:(1)完成图像采集装置的设计,通过分析待检测轴承结构特点以及检测需求,完成轴承传动带、检测台、机械手及其内部电路的设计,完成相机、光源等器件的选型,根据装置图像采集流程,分析各个器件运动规律,设计装置动作控制程序。(2)基于深度学习技术以及自编码器理论,设计改进的卷积自动编码器,完成样本数据的降维;设计分类网络,根据自编码器降维后的特征完成缺陷的分类。通过调整网络权重参数以及训练时的超参数,优化神经网络模型性能,分析自编码器输出维数、批尺寸、Dropout等参数对分类网络性能的影响。对比传统降维方法PCA(Principal Components Analysis)的降维效果,自编码器能够更有效的提取有助于提高分类准确度的那些特征;对比传统分类方法SVM(Support Vector Machine)的分类效果,本文所设计的分类器分类准确度更高,泛化能力更强。(3)基于迁移学习理论,设计基于经典特征提取网络InceptionV3的轴承缺陷分类网络,研究在小样本情况下,迁移学习在轴承缺陷分类问题上的适用性。通过实验发现,网络能够有效提取缺陷特征,并取得不错分类准确率。(4)对比了自编码分类网络和基于迁移学习分类网络硬件资源消耗情况和分类所需时间,在系统实时分类要求下,自编码分类网络更有优势,更适合工厂复杂环境。