药品对于健康的特殊作用对药瓶的质量提出了更高的要求,在生产后和使用包装前必须进行质检。人工质检容易漏检、误检、速度慢,且长时间面对光源对眼睛不可避免的产生伤害。机器视觉可替代人眼进行检测,但在当前实际应用中仍以传统图像处理算法解决药瓶尺寸和简单局部外观缺陷的检测问题。对于药瓶缺陷繁多且复杂时,当前算法精度低、速度慢、可靠性差,无法应用于产业中。本文针对玻璃药瓶存在的斜底、气泡、肩石、拧脖、口不齐等30多种缺陷检测,设计了一种独特的光学图像采集系统,对瓶口、瓶身、瓶底的图像进行了全方位采集。针对以上缺陷的检测进行了深入的研究,并提出了基于深度学习和Zernike矩的药瓶缺陷检测算法,主要研究内容和贡献如下:（1）提出了一种语义像素融合检测（semantic-pixel fusion detection,SPFD）算法,用于生产者对可容忍缺陷的评判标准进行调整。该算法通过语义级和区域级特征对缺陷进行分类和定位,再融合传统算法在像素级层面对可容忍缺陷的长短、面积等特征进行评估,实现评价标准可调整。（2）提出了孪生缺陷分类网络（Siamese defect classification network,SDCN）,实现未知缺陷检测。该网络基于正样本和已知缺陷样本进行训练得到模型,当未知缺陷样品输入模型时,模型可以检测到缺陷样品和正样本的明显差异。网络的关注点在于待检测样品和正样品的差异性,而不是某种缺陷的具体特征,从而提高了算法的泛化能力。（3）提出了基于Zernike矩的缺陷分类方法及合并核GPU加速算法,用于瓶口和瓶底的大缺陷分类。采用了20阶Zernike矩作为图像特征,将特征进行定维映射和主成份分析后进行SVM训练得到分类模型。此外,将GPU中的核进行合并提高了运算速度。利用4594张自制数据集,训练得到算法模型。在工厂实测中,在CPU型号为i7-10700和GPU型号为RTX 1660的实验平台上进行实测,测试结果表明算法可以检测出整个药瓶表面的多种多级缺陷,综合精度达到99%以上,极大地满足了生产厂家的实际要求。