薄膜晶体管（Thin Film Transistor,TFT）如今被广泛用于电子产品的液晶显示器制造中,瑕疵检测是影响此类屏幕生产质量的关键技术之一。工业检测算法一般分为特征提取与特征匹配两个关键步骤,通常设计人员设计合适的特征描述子匹配图像中的瑕疵以便分离识别,这些描述子都是基于低级特征手工设计的,泛化能力较弱。近年来,基于深度学习的目标检测取得了令人瞩目的突破性成果,这些模型往往具备强大的特征提取能力,可以提取到比低级特征更为复杂的特征。然而,在如今的工业生产中,一方面由于生产技术和管理方法的成熟,出现异常的真实数据远远小于正常数据的数目,样本分布极不平衡,难以达到模型训练的要求。另一方面,大量标注数据也意味着高昂的人工成本,这对于企业和工厂来说是难以接受的。本文以通用工业检测系统为研究对象,设计了一个基于无监督学习的工业瑕疵检测框架,提出基于角点检测的感兴趣区域提取算法减少检测中信息流,消除干扰因素对检测结果的影响。设计了一种能够识别图像瑕疵的基于生成对抗网络的二阶融合模型,模型由判别器、生成器和编码器组成,其中一阶模型可以快速完成图像空间与潜在空间的映射,从而达到重构图像的目的,二阶模型学习一阶模型图像重构误差,与一阶模型的输出结果综合判定来进行瑕疵检测。实验证明,在缺乏真实瑕疵样本且存在大量环境噪声干扰得到情况下,提出的方法在保持较低误检率的同时仍然能维持良好的检测精度,且加入二阶重构误差的模型效果优于一阶融合模型。