基于机器视觉的表面缺陷检测是生产过程自动化、智能化发展的需要。表面缺陷检测作为工业生产中产品质量监控的重要环节,能够有效地提高产品质量和生产效率;表面缺陷检测还是进行日常设备维护的重要手段,及时发现表面缺陷能够有效延长设备的寿命。随着机器视觉和人工智能技术的发展,对于背景单一、缺陷明显等简单环境下的表面缺陷已经取得了较好地检测效果,具有较高的准确率。但是对于复杂环境下的表面缺陷,由于干扰因素多、涉及的领域广,大大增加了缺陷检测的难度,为实现智能检测和制造强国、质量强国发展战略,复杂环境下表面缺陷的高精度检测是一个亟待解决的问题。本文以表面缺陷为研究对象,基于机器视觉技术,针对复杂环境下的表面缺陷检测问题进行了深入研究,采用鲁棒性主成分分析和深度学习技术,提出了解决的方法。本文的创新和主要研究工作如下:（1）针对采集的图像中光照不均和检测结果中缺陷不连续的问题,提出了一种基于视觉显著性和鲁棒性主成分分析的表面缺陷检测方法。该方法将缺陷图像看成由低秩矩阵表示的非缺陷区域、稀疏矩阵表示的缺陷区域和噪声矩阵组成,通过对表面缺陷的人工特征提取,基于改进的鲁棒性主成分分析求得稀疏矩阵。为抑制非均匀光和检测出连续的缺陷区域,在鲁棒性主成分分析基础上,增加了F范数和拉普拉斯正则项。再根据稀疏矩阵,采用视觉显著性,实现对表面缺陷的检测。对提出的方法,在人工数据集和风机叶片数据集上与其他传统方法进行了比较,结果表明所提出方法能够有效抑制非均匀光和噪声,检测出连续的缺陷区域,提高缺陷检测的性能。（2）针对复杂环境下,传统的表面缺陷检测方法难以有效检测缺陷的问题,提出了一种基于注意力机制的深度神经网络表面缺陷检测模型。该模型基于编码器-解码器架构,编码器采用ResNet34提取各层特征,通过在编码器和解码器间增加基于注意力的更高层特征提取模块,以获取更高层的语义上下文信息,更好地定位缺陷区域。此外,在解码器各层引入基于注意力机制的解码模块,利用空间和通道注意力机制,提升对表面缺陷定位的准确性。对提出模型在两个公开路面缺陷数据集CFD和CRACK500上,与其他8种模型进行了性能对比,提出模型在评价指标F-measure和IoU上取得了最佳的检测结果。（3）针对低对比度、微小缺陷和缺陷种类形态多样以及非均匀光等给表面缺陷检测带来的巨大挑战,为提升复杂环境下表面缺陷检测方法的准确性和通用性,提出了一种基于深度神经网络的多层多级特征融合的表面缺陷检测模型。该模型首先利用ResNet50提取多层特征,然后利用多层特征聚合模块融合各层特征,具体过程为先采用横向连接和特征融合块自下而上融合特征,再利用跳跃连接与高层特征相加融合,从而使各层不仅包括丰富的局部信息,而且包含高层的语义上下文信息。接着再利用多级解码器进行特征深度融合,多级解码器包含多个解码分支,各分支结构相同,各级解码器利用横向连接传递各层特征。前一级解码分支的输出还通过反馈连接与各层特征融合后再传入后一级解码器。通过多层多级特征的深度融合,实现对表面缺陷的准确定位和分割。在三个不同类型的复杂表面缺陷数据集MT、RSDD和CFD上和多种模型进行了实验对比,结果表明提出模型能够有效提升表面缺陷检测的性能和通用性。（4）为进一步提升复杂环境下表面缺陷检测的性能,采用FCN构架,提出了一种基于两级注意力特征融合的表面缺陷检测模型。该模型首先利用ResNet50特取表面缺陷的各层特征,为更好地检测微小缺陷,增加了一个基于扩张卷积的多尺度特征提取模块。然后将各层特征送入两级注意力特征融合模块,该模块先通过基于注意力的相邻特征融合模块在各层进行相邻特征融合,再通过基于注意力的高层特征融合模块实现将各层与其高层特征融合,通过两级特征融合,各层能够包含更多的局部细节信息和全局语义信息。最后将各层特征拼接融合,经过边界求精模块和卷积模块,输出缺陷分割图。为验证提出模型的有效性,在三个不同类型的表面缺陷数据集SD900,MT和CFD上与其它模型进行了对比,结果表明提出的模型具有最优的检测性能和较强的通用性,IoU分别提高到89.90%,76.72%和 64.92%。