在卷烟产品生产过程中,机器故障、生产条件等因素会导致烟支褶皱、扭曲变形、刺破、污点等外观质量问题。因此,如何快速、准确地检测烟支外观缺陷,对烟支产品质量的保障具有重要意义。目前,烟支外观缺陷的检测手段主要依赖传统图像处理和人工检测。然而,这些方式存在难以识别未知缺陷、检测效率低以及检测结果容易受人为因素影响等问题。针对这个问题,本文提出了一种基于改进YOLO深度学习模型的烟支外观质量检测方法。该方法不仅可以有效地提高检测速度和准确性,而且还可以通过缺陷数据训练获得对未知缺陷的检测能力。本研究的主要工作包含如下三个方面的内容:（1）烟支外观缺陷数据集的构建。首先通过资料调研和烟支缺陷样本分析,结合实际需求,一共定义了13种与烟支外观质量相关的缺陷类型,这是目前相关研究中覆盖烟支外观质量问题类型最多的缺陷类型库。其次,在该缺陷类型库的基础上,构建了VOC格式的烟支外观缺陷数据集,目前已包含了某品牌烟支缺陷图片5150张,为深度学习模型的训练提供了数据支持。（2）基于YOLOv5的烟支外观缺陷检测。在上述定义数据集的基础上,对比分析了Faster R-CNN、SSD、YOLOv3、YOLOv5（n、s、m和l）和YOLOv7＿tiny模型在烟支外观缺陷检测中的应用。经过模型微调和参数优化,YOLOv5s的m AP＿0.5达到了89.9%。（3）基于YOLOv5s的模型优化。为了进一步提高YOLOv5s应用性能以便适应未来更高速率的卷烟生产。本研究从三个方面进行优化,首先,采用WIo U Loss改进该模型的损失函数,实验结果表明,改进后的模型在m AP＿0.5上提高了0.9%;其次,在YOLOv5s中引入CA（Coordinate Attention）注意力机制,使模型更加关注烟支外观缺陷中的位置信息,m AP＿0.5提高了1.1%;然后,在YOLOv5s的主干网络中融入可变形卷积（Deformable Convolutional Networks,DCN）,使网络适应烟支缺陷类型中的不同尺度的缺陷类型,改进后的模型m AP＿0.5提高了1%。最后通过消融实验,得到一个最优的模型组合WIo U+DCN,m AP＿0.5提升了1.3%。其中,在检测精度低于90%的五类缺陷中,提升最大的组合是WIo U+CA,这五类缺陷m AP＿0.5为85.9%,与原模型相比提升了2.7%。在原模型缺陷检测表现最差的FZZ02类缺陷中,改进后的模型提升效果最明显,m AP＿0.5提升了5.4%。综上,论文研究工作以实际应用为导向,通过计算机视觉的深度学习算法应用,降低了外观质量问题检测的难度。研究具有前沿性和较强的应用性。