随着智能手机的普及,LCD（Liquid Crystal Display）屏幕检测逐渐成为了工业视觉领域的研究热点。工业屏幕瑕疵识别场景是小样本场景,且正负样本不均衡。目前屏幕瑕疵的识别主要是依靠人工质检和传统的机器视觉检测方法,人工质检存在效率低、标准不统一、成本高的问题;传统基于数字图像处理的机器学习方法相较于人工质检,速度方面有了一定提升,但是在准确率方面仍需提升;普通深度学习算法对数据需求量很大,在小样本场景中容易过拟合。因此,为解决以上问题,本文旨在用迁移学习思想结合图像处理算法和深度神经网络模型来提高LCD屏幕瑕疵识别的准确率和效率。本文主要内容如下:本文首先研究了预处理模块。该模块通过对原始图像进行ROI（Region of Interest）获取,来消除大量黑色背景对分类准确性的不良影响,同时也大大减少了内存消耗。其次,本文研究并设计了借助图像处理算法中的空间和形态学变化的生成模块。生成模块是依据图像特征的分析结果来进行模拟;此模块的作用是为了模拟真实瑕疵样本,生成具有相似缺陷特点的人造样本来扩充后续实验的数据集。实验表明,生成模块对迁移学习模型的准确率提升有重要影响,不同的真实瑕疵和生成瑕疵的混合比例会影响模型的准确率,本文通过实验找到了最佳混合比例。最后,文章提出了以上述的预处理模块、生成模块以及迁移学习思想为基础的工业屏幕分类系统,组合使用多种技术弥补了工业领域真实屏幕瑕疵负样本过少的问题,再结合模型的训练优化,与多种其他未进行迁移学习的深度学习模型进行比较,得出迁移学习更有利于提升模型检测准确率的结论。在论文的最后,我们总结了本文的研究内容,也为后续的工业领域的研究提供了参考。