随着全球制造水平的提升,制造企业对钢铁产品的质量要求也越来越高。钢铁产品表面缺陷是影响产品质量的重要因素之一。本文以某钢铁企业带钢表面缺陷为研究对象,设计并实现了基于深度学习的钢铁表面缺陷检测方法,取得了良好的效果,对钢铁企业带钢表面质量评估具有很好的指导作用。主要研究内容如下:（1）综述了带钢表面缺陷检测的研究现状,分析了当前主流的缺陷检测方法的优缺点,总结了带钢表面缺陷的产生原因和特点,介绍了卷积神经网络的工作原理和几种典型的最新深度学习网络和目标检测网络。（2）提出了基于改进Faster R-CNN的带钢表面缺陷检测方法。构建了带钢表面缺陷数据集,并针对8类典型的带钢产品表面缺陷特点,对Faster R-CNN网络结构进行了三种改进。在MxNet深度学习环境下搭建了 Faster R-CNN网络,以ResNet-101网络为特征提取网络取代原有VGG16网络,并且加入了可形变卷积使得mAP值提升了 2个百分点;进一步,在使用可形变卷积的基础上,在特征提取网络中加入了密集型结构来提取更多语义信息,最终结果提升3.2个百分点;最后,在同时使用上述两种方法的基础上,在训练过程中进行在线困难样本挖掘,最终结果取得了最好的检测结果提升4.3个百分点。实验结果表明本文提出的算法对钢铁表面缺陷检测具有很好的检测效果。（3）提出了针对不完全标记样本的带钢表面缺陷检测方法。首先,实现了基于Mask R-CNN的带钢表面缺陷检测方法,该方法采用ResNet作为特征提取网络,同时实现了对带钢产品缺陷的检测与分割。其次,针对标记样本较为困难的问题,提出了不完全标记样本的带钢表面缺陷检测方法,该方法在不改变网络结构的前提下使用了优化迭代方法。实验结果验证了该方法的可行性,并且最终实验得到了在不完全标记情况下的检测效果可以接近完全标记下的检测效果。（4）结合用户的具体需求,设计并实现了基于深度学习的带钢表面缺陷检测系统。本系统可以实现用户在线进行缺陷检测并同步输出检测结果,同时对检测结果信息进行统计分析并以柱状图和饼状图形式直观显示。