世界森林面积减少,国内林木资源短缺,制约了地板产业的发展。为突破地板产业发展的瓶颈,同时响应党中央五大发展理念的“绿色”发展理念,新材料地板替代实木地板成为地板行业重要的改革方向之一。那么,为提高新材料地板的质检效率,对新材料地板的缺陷检测成为重要的研究课题。目前新材料地板的缺陷检测多为人工检测,其检测精度不高且耗时较长,同时一线质检员人数较多,生产现场存在粉尘、油漆、噪音等污染和设备使用的安全隐患。针对以上问题,本文提出了一种能够自动、快速、准确地完成新材料地板缺陷检测的方法,其中包括分类识别任务和目标检测任务。主要研究内容如下:（1）建立新材料地板缺陷的数据库。分析了研究对象、缺陷类型、缺陷检测难度、缺陷样本数据;完成了缺陷图像采集系统设计;针对分类识别任务制作了组合样本集,针对目标检测任务完成了数据增强和样本标签标注。（2）提出了一种基于特征融合卷积神经网络的缺陷分类识别算法。根据特征融合理论,从支路网络基础架构、特征融合方式和特征融合位置的角度进行了对比实验。设计了以Res Net-34为支路网络架构、合并（Concatenation）操作为特征融合方式、Conv5＿x层级为特征融合位置、嵌入CBAM注意力模块的三支路特征融合卷积神经网络模型——TFFCNN,其相较于传统分类神经网络提高了1.28%-2.86%的精度。（3）提出了一种基于改进YOLOv5的缺陷目标检测算法。在原YOLOv5s模型上嵌入SE注意力模块并增加一个检测头,得到了YOLOv5s-SE-4D模型。该模型拥有接近YOLOv5s的检测速度和接近YOLOv5l的检测精度,但参数量远低于YOLOv5l。实验证明,该方法能够满足高精度、高时效性的实际生产质检要求,同时其网络模型的内存占用较小,更易于嵌入小型设备使用。（4）提出了一种轻量级网络模型并应用于缺陷检测任务。首先设计了轻量级网络模型——FSConv和FSBneck模块,该模块能够“即插即用”地替代常规卷积神经网络中的普通卷积模块。对比实验证明,该模块在减少大量参数量和计算量的情况下,能够接近甚至超过网络模型的原始精度。最后,将该轻量级网络模型应用于分类识别和目标检测算法,降低了原算法的参数量和计算量,提高了算法的灵活性。（5）设计并实现了一个“新材地板缺陷检测系统”软件,将分类识别与目标检测任务部署其中。尽管目前采用手动选取图像的方式完成检测,但该软件能为后续软件功能更新提供思路和框架,也能让质检人员更加方便快捷地进行缺陷检测。