近年来,随着计算机视觉与深度学习提升与发展,已经成为新时代智能产业关键技术,在图像识别、人脸识别、安防监控与工业智能制造等领域成效卓著,达到商业应用程度。但是在产品质检及小缺陷目标检测方面还存在效率与准确率不能完全统一的问题,为了进一步提高液晶屏缺陷检测的效率和准确率,在运动的图像中提高对液晶屏缺陷检测的准确率与实时性是文章研究的主要内容。传统的液晶屏缺陷检测方法为人工肉眼识别,主要依靠人为经验,整个识别过程效率低下。目前表面缺陷检测的难点:环境光照和噪声等多重影响因素、在线检测的算法能力不足与实时性不高、如何模拟人类大脑的信息处理功能去构建智能机器视觉系统、如何解决模糊特征在准确识别上的问题,以及模型实时性与准确性之间不能兼顾和漏检率、误检率较高等问题。为此,本文从以下方面进行研究和探索:（1）针对目前在缺陷检测中所遇到的环境光照的影响检测等问题,本文在数据采集与图像预处理过程作了大量的工作,设计一套数据采集系统来有效避免环境因素对数据采集效果的影响,针对液晶屏小目标缺陷类型与特征分析,避免模型漏检问题,通过多标记衔接组合图像增强,来提高目标检测网络模型对小目标等细微缺陷的检测准确率,提高多目标和小目标的识别能力以及降低模型漏检的比例。（2）分析目标检测算法中双阶段目标检测算法与单阶段目标检测算法各自优劣势,针对双阶段目标检测算法准率高但小目标难以检测与实时性差的问题,提出了基于迁移学习与改进的Mask R-CNN模型对缺陷液晶屏进行检测。针对单阶段目标检测算法实时性强但是对于小目标缺陷检测不准确以及总体检测率不高等问题,提出基于迁移学习与改进的YOLOv5模型对缺陷液晶屏进行实时检测。实验结果表明:改进的Mask R-CNN对缺陷液晶屏检测精度达到95.25%,每张图检测需要98ms,达不到实时检测的要求,而改进的YOLOv5s对液晶屏各类缺陷检测平均精度达到98.82%,每张图检测达到22ms,满足实时检测的要求。（3）针对本文深度学习对液晶屏缺陷检测方法要应用于实际检测环境,在保证准确率与实时性的前提下,对比分析改进后的YOLOv5s检测模型与Mask R-CNN检测模型的检测率与检测时间,并利用可视化分析等进一步说明本文提出改进缺陷检测方法的合理性。在衡量模型大小、检测率与检测时间最终选择以改进的YOLOv5模型为基础来实现实时液晶屏缺陷检测。