平板显示正朝着更清晰、更轻薄、色彩更丰富等趋势发展,其应用领域也越来越广泛。然而,在实际生产过程中,由于其繁杂的制造工序和各种其它因素,会在屏体上引入各种画面显示缺陷,严重影响产品质量,缺陷检测因此成为优化工艺、管控产品质量的关键环节。以人工观察为主的传统检测方式,极易造成错检、漏检以及评判标准不客观等问题。基于机器视觉的传统屏体缺陷检测算法目前已经达到瓶颈,流程设计复杂、准确度低、智能化水平不够。而基于深度学习图像处理技术的视觉检测方法发展迅猛,在工业检测领域不断获得应用。本文面向OLED等主动发光型显示屏体的画面检测需求,从显示屏体缺陷的检测难点出发,结合深度学习的方法,融合小样本工业缺陷检测的主流趋势,设计了包括图像采集及预处理系统和主体算法系统两大部分的总体设计方案。搭建了硬件平台作为图像采集模块,并调整抑制摩尔纹等干扰因素。在屏体图像采集完成后,建立了包括目的区域提取和背景纹理抑制操作构成的预处理模块,完成对显示屏体图像的预处理。本文的主体算法系统主要包括数据增强模块和分类识别模块两大部分。针对当前显示屏体缺陷样本数量不够、多样性不足等痛点,设计了基于UM-CycleGAN模型的数据增强方案,采用了UADD生成器和多特征层监督判别器。通过设置对比实验验证了本文模型在数据增强上的有效性和优势。分类识别模块作为本文的核心部分,围绕显示屏体缺陷的检测难点,设计了基于TFPN-Faster R-CNN模型的检测分类方案,采用三重特征金字塔网络（TFPN）结构来优化特征提取网络。随后通过实验验证了模型对缺陷检测的良好性能,尤其是对Mura缺陷检测的准确性。并通过对比实验验证了本实验模型在原始数据集和增强数据集上的优势,验证了数据增强和结构优化对模型性能提升的有效性。本文研究结果对于推动显示屏体画面缺陷自动检测与缺陷分类方面具有一定的指导意义,可以应用到显示屏体缺陷检测领域。