手机摄像头作为智能手机中的重要部件之一,对其进行缺陷检测把控其产品质量是生产过程中重要的一个环节。但由于手机摄像头尺寸小、无色透明的特性,使用人工目检存在着检测精度低,效率低等问题。因此本文致力于使用机器视觉技术实现手机摄像头表面缺陷的自动检测,重点针对缺陷检测过程中所检图像背景复杂、轻微缺陷对比度低和缺陷样本稀缺的问题,通过设计新的语义分割网络和引入自监督学习技术以提高检测精度。具体工作如下:（1）针对基于机器视觉的缺陷检测方法对图像数据集的需求,采集手机摄像头缺陷图像并构建数据集用于后续的缺陷检测任务。该图像采集方法选择了合适的相机、镜头,并针对手机摄像头透明反光的玻璃区,选用环形光源,采用正面明场的照明方式采集图像;而不透光的黑色油墨区,则选用背光源,采用背面明场的照明方式采集图像。并标注出图像中的缺陷区域,建立手机摄像头图像数据集。（2）针对当前基于机器视觉的检测方法在检测背景复杂、对比度低的手机摄像头缺陷图像时检测精度低的问题,提出一种基于双边特征融合网络的手机摄像头缺陷检测方法。该网络通过引入自注意力模块,能够更好地获取全局上下文信息、强调轻微缺陷区域;与此同时该网络中的双边特征融合模块可以融合不同深度网络层提取出的两种不同尺度的特征图,使得网络获取更丰富的信息。实验证明双边特征融合网络明显减少了复杂背景引起的误检情况以及低对比度轻微缺陷引起的漏检情况,检测精度要稳定优于现存的其他网络,能够达到97.59%的F1-score。且双边特征融合网络的参数量少,保持着63.8FPS的检测速度,很好的满足了实际工业应用时检测效率的需求。（3）针对手机摄像头缺陷检测时无法获取足够多的标注样本数据以训练高性能检测网络的问题,将基于掩码自编码器的自监督学习方法引入手机摄像头缺陷检测任务中。该方法采用基于Transformer的掩码自编码器在不带标签的手机摄像头数据集上对检测网络中的Vision Transformer骨干网络进行预训练,通过重建被随机遮掩的手机摄像头图像学习图像自身的特征信息帮助骨干网络获得能够更好的适配后续缺陷检测任务的网络权重,并通过迁移学习将其迁移至检测网络中以提升检测精度。实验结果表明,掩码自编码器自监督学习方法的加入对手机摄像头的缺陷检测有着积极意义,尤其是在训练样本量不足时,能使检测网络达到更高的检测精度。