目前表面缺陷检测普遍使用人工检测的方式,效率低、实时性差。随着自动化生产进程的加快,传统的人工检测方法已经无法满足生产需求,采用机器视觉代替人工肉眼检测已经是一种发展趋势。在此背景下,本文以耳机罩为研究对象,基于深度学习方法进行表面缺陷检测研究。主要研究内容包括:（1）根据耳机罩表面缺陷的类型和特点,将检测任务划分为移印缺陷检测和喷涂缺陷检测,对使用传统方法进行检测的难点进行了分析,提出使用深度学习方法分别进行目标分类和目标检测研究,针对样本数据量不足的问题,通过数据增强算法对图像数据进行了扩充。（2）基于卷积神经网络的移印缺陷检测算法研究。通过对比经典神经网络进行了网络模型设计,包括使用的模块、网络层数、损失函数;针对移印缺陷细粒度的特点,引入了注意力机制和双线性池化思想,提出了混合双线性池化注意力模型,在原网络的基础上加强了对细粒度图像的分类能力。（3）基于YOLOv3的喷涂缺陷检测算法研究。对YOLOv3算法中使用的关键技术进行了分析,在此基础上,针对喷涂缺陷小尺寸的特点提出了改进激活函数、使用K-means++算法获得锚框、改进边框回归损失函数、调整检测网络四种改进方法,提高了模型检测的准确率。针对模型冗余的问题,使用通道剪枝的方法进行模型压缩,减小了模型大小,提高了检测速度。针对样本数据量不足的问题,提出使用深度迁移学习的方法获取预训练权重进行训练,减小了训练难度。（4）基于以上研究成果,进行耳机罩缺陷检测系统搭建。针对耳机罩的生产流程和检测任务进行硬件设计和选型,并进行检测软件设计。通过整机测试,验证了检测系统性能满足各项技术指标要求。