在现代工业化生产中,产品的外观检测是质量控制过程中一道至关重要的环节。因此,研发强大的智能外观缺陷检测技术日趋重要。传统的视觉检测方法需要针对被检对象,提取对象的特征,设计相对应的检测算法。随着机器学习的推进与发展,很多强大的机器学习算法也渐渐应用到表面缺陷检测中,并取得了很好的效果。在工业生产中,大量的缺陷样本往往难以获取。同时,在训练样本数量极其有限的情况下,使用机器学习算法进行缺陷检测往往效果不理想。针对该情况,本文进行了面向表面缺陷检测的机器学习方法研究。首先,针对缺陷种类较少,缺陷样本数量特别稀少的情况,本文提出一种贝叶斯小样本学习模型。该模型将数字图像处理与Naive Bayes分析相结合。在该模型的学习阶段,首先针对不同种类的样本进行分类,然后对不同类型的图像进行相应的增强处理,并对增强后的图像数据进行信息提取与特征量化。在该模型的检测阶段,同样先进行图像的增强以及特征的提取与量化,之后根据两部分样本的种类与分布建立相应的Bayes模型。模型中将图像信息转化为模型可接受的概率信息。在学习阶段的特征信息通过Bayes模型转化为先验概率,检测阶段中利用先验概率计算待测对象的后验概率完成检测。相比于现有的机器视觉方法,该模型检测效率更高,所需训练样本更少。其次,现有的深度神经网络在图像的检测与分类中可以达到非常高的精度,但深度神经网络需要大量训练样本的支撑才能充分优化。因此,在样本不足的情况下,利用GAN(Generative Adversarial Networks)对数据集进行扩增,可以有效的解决因训练样本不足而导致的模型过拟合、检测精度低等问题。但常规的GAN模型难以生成高质量的训练样本,因此本文提出缺陷增强生成对抗(Defect Enhancement GAN,DEGAN)模型。该模型可生成高清晰度、高多样性的缺陷数据。模型首先通过计算真实样本和生成样本的距离,得到网络后续训练的激励,其次对网络中判别模型的输出进行可梯度化处理。经本文模型生成图片的质量显著提高。随后,本文还提出了DEGAN与深度神经网络组合的缺陷检测模型。实验证明,该模型在小样本情况下较深度神经网络的检测精度更高,具有更强的适应性。再次,GAN中对抗学习的思想与迁移学习相结合在表面缺陷检测领域也能取得非常突出的表现。在此基础上本文提出了一种基于域对抗的迁移学习缺陷检测网络。该网络在小样本织物数据的情况下,借助大量的磁环数据建立迁移学习模型进行织物缺陷检测。本文设计的迁移学习网络模型中,包含特征提取模块,缺陷检测模块,域分类模块。训练过程中,首先提取目标数据集和辅助数据集的特征,然后通过域分类器对两类数据样本共同的特征进行学习,最后利用缺陷检测模块与域分类模块进行对抗学习,从而学习出两类数据集共有的特征。此时可以通过共有的特征进行检测网络的训练和优化。实验证明该模型可以借助相似的辅助数据进行迁移学习,有效减少了数据和计算资源的浪费。与深度神经网络相比,该检测网络在样本数据很少的情况下能达到更高的检测精度。最后,对本文所做的工作进行总结,并对表面缺陷检测方法的后续研究方向进行展望。