在生产过程中,由于加工工艺以及原材料的不同,会造成钢质表面产生不同程度的缺陷。存在缺陷不仅会影响产品的美观度,还会对产品的强度、耐磨性以及抗氧化和抗腐蚀能力等造成影响,但是出现缺陷并不意味整个产品需要报废,而是需要根据使用场景的不同做出适当的选择,当缺陷程度满足所需要求仍可继续使用。钢材作为较为普遍的基础建设材料,对于整个工业产品的稳固起到了重要作用。在这种背景之下,本文选用钢材作为研究对象。在实际工业生产活动中,若使用未经检测合格的钢材将会造成严重危害,因此需要对钢材制品进行严格的质量检测。现有的表面缺陷检测方法有人工目测法和物理检测法,第一类方法受人为因素影响大,主观性强且容易漏检;第二类方法需要专业设备,且检测材料受限。因此,本文采用利用神经网络的钢质缺陷分类方法以及缺陷特征反馈融合检测方法,对于钢质的分类和缺陷的检测进行了深入的研究,以及后续的分级作简要处理,本文主要内容如下:（1）开闭变换多噪声降噪与超分辨对抗数据处理方法在给定的图像数据中,几乎每一类图像数据均存在噪声现象,这对于后续的分类操作精度以及检测操作的精度指标均会产生影响。为此针对复杂背景下的小目标容易被其他物体或噪声遮挡或者淹没的情况,提出了一种开闭变换算法消除或者削弱背景和噪声。鉴于所使用的数据集中缺陷目标样本数量较少,提出利用超分辨生成对抗神经网络在保留缺陷高频信息的基础上实现样本数据扩增,并结合原有经典的图像数据扩增方法,例如旋转和错切,避免原始图像因裁剪或者亮度变化等造成缺陷不真实的情况,实现样本数据扩增。（2）钢质缺陷横向双残差分类方法在表面缺陷分类中,分析对比机器学习分类方法与深度学习分类方法的优缺点,分析现有的残差模块的特点,结合现有的残差模块的优点,提出了横向双残差模块作为分类网络的核心,使之更加适用于层数较深的分类网络;对于原有的深度分类网络框架在给定的数据集上难以达到较为优秀的分类结果,采用结合本文所提出的横向双残差模块改进的神经网络框架进行实验操作。改进后的神经网络框架在准确度上也有所提升,且优于原始的神经网络分类框架Resnet;结合开闭变换方法与超分辨生成对抗网络操作处理后的数据样本,最终的分类网络准确度达到99.7%,较最原始的分类网络提升了5.7个百分点,检测速度达到35FPS。（3）钢质缺陷特征反馈融合检测方法在缺陷检测任务中,采用结合钢质缺陷横向双残差分类方法,并添加空间金字塔池化结构的特征反馈融合方法,进行重构检测方法对钢质缺陷数据进行检测。对网络中所使用的激活函数进行重新定义;引入新的损失函数,解决类别不均衡问题;并且依靠COCO数据集检测指标对该算法进行评估与分析,分别得到每一类缺陷的平均检测精度（AP值）。对检测结果进行分析汇总,结合国标文件对所检测出的缺陷进行分级研究。实验结果表明,引入可变卷积,增强网络适应不同形状的缺陷,结合SPP模块的检测算法经过训练后MAP也有所提升,改进后的检测算法平均检测精度达到了75.4%,对比改进之前的检测网络提高了2.53个百分点,比使用初始检测网络提高了9.57%,单类AP值达到95.42%。检测速度达到了29.72FPS,在检测精度和检测速度指标上均满足了钢材的检测任务要求。