金属作为制造业的支柱产品之一,金属的质量优劣影响着终端产品的质量。金属表面缺陷检测是金属质量控制的重要一环。金属的表面缺陷检测中,基于机器视觉的检测技术已经成为主流。机器视觉本质上是模仿人类视觉系统,现在表面缺陷系统中硬件设备已经较为成熟,因而图像处理技术成为研究重点,其性能决定着整个缺陷检测系统的性能。金属表面缺陷图像存在着,缺陷和背景对比度低,缺陷类型和尺寸差别大等问题,同时还存在高光和阴影干扰。为了解决以上问题,本文针对金属表面缺陷的分割算法进行了研究,通过结合视觉注意机制,模拟人类注意力系统,在图像分析及分割过程中节约计算成本,提升算法的分割效果。本文研究主要过程如下:（1）针对金属表面缺陷数据集缺乏的问题,设计了针对铜带表面缺陷的数据采集制作方案,完成数据集的标注,建立铜带表面缺陷数据集（Kmust-DET）。然后提取图片四种主要特征,采用三类贝叶斯分类器进行特征分类,通过分类结果可发现所设计的数据集图片质量稳定适合作为研究目标。（2）基于视觉注意机制的传统分割算法研究,首先采用改进的Retinex算法对金属表面缺陷图像进行灰度矫正,后利用改进的全局和局部信息计算生成显著图,并进行显著图融合,然后选择最优阈值对图像进行分割。对本研究方法进行实验验证,证明该方法具有较好的鲁棒性和有效性。（3）基于视觉注意机制的语义分割算法研究,针对金属图像特性和语义分割架构的缺陷,对注意力生成模块进行研究。在算法不同的处理阶段融合不同的注意力模块生成信息,改进了算法的主干网络,并增加了分支网络,提出一种新的金属表面缺陷分割方法。根据实验结果表明,该分割方法效果稳定,准确度达到91.34%。