发动机作为汽车的核心部件,由上万种精密的零部件构造而成,这些零件的表面加工质量直接影响发动机的使用性能和寿命,一旦存在表面质量缺陷的零件被使用,将会造成严重的后果。为此,零件制造企业必须对生产的零件进行严格的检验,但目前大多数企业仍采用人工检测或传统的视觉缺陷检测方法,检测的准确性和效率较低,无法满足国家智能制造强国战略的需求。本文以零件表面缺陷检测算法为研究对象,针对现有缺陷检测方法准确性和效率较低的问题,提出采用深度学习目标检测算法进行零件表面缺陷检测。以球形接头零件为检测对象,建立表面缺陷图像数据集,并对深度学习目标检测算法进行研究改进,最终实现高准确性、高效率的零件表面缺陷检测,对于增强我国智能制造水平具有重要意义。本文主要的研究内容如下:（1）以实际应用中检测精度和难度级别较高的发动机球形接头零件作为检测对象,以其表面存在的磕碰伤、车刀痕以及杂质3种缺陷作为待检测目标,构建了零件表面缺陷图像数据集。针对待检测目标设计了数据集的图像采集方案,通过搭建图像采集平台进行缺陷图像采集,同时对采集到的图像进行数据增强及预处理,并将图像数据集转化为PASCAL VOC数据集格式。（2）针对发动机零件表面缺陷形态细微且复杂多变等特点,通过对深度学习目标检测算法中基于候选区域的目标检测算法和基于回归方法的目标检测算法进行分析对比,确定了以Faster R-CNN算法及Res Net101特征提取网络作为检测算法基本框架的方案。（3）针对本文的检测对象,以Faster R-CNN为算法框架,提出了改进的Faster R-CNN零件表面缺陷检测算法。首先分别引入聚类算法和引导锚框算法来生成Anchor方案,解决Faster R-CNN原算法中Anchor方案对球形接头表面缺陷尺寸缺乏针对性的问题,提高了候选区域建议窗口的质量;其次引入多级ROI池化层结构,减少ROI池化过程中取整运算产生的偏差,进一步提高检测算法的准确性。（4）通过进行缺陷检测实验,验证了本文算法能够有效地提升缺陷检测的准确性和效率;同时将提出的算法与YOLOv3算法进行实验对比,验证了本文算法对缺陷检测任务的先进性。实验结果表明,本文算法能够将检测的均值平均精度提高到98.9%,并达到4.1 fps的检测速度,实现了高准确性、高效率的零件表面缺陷检测。在此基础上,基于QT开发了图形用户界面软件,完善了零件表面缺陷检测系统。