随着社会快速发展以及环保的要求越来越高,人们对清洁绿色能源的需求正在逐步扩大。太阳能凭借着可持续发展的优势得到全球各国的追捧。太阳能电池片是光伏发电系统的核心部件,其载体是太阳能硅片。然而,在生产过程中,太阳能硅片会不可避免地产生多种类型的缺陷。尽管目前太阳能硅片制造的自动化、智能化程度已经很高,但硅片缺陷检测和剔除还大多依靠人工去完成,检测效果过分依赖检测者的经验能力,这就导致检测效率低,可靠性和鲁棒性差。本文以类单晶硅（Mono-like silicon,ML-Si）片为研究对象,利用光致发光（Photoluminescence,PL）技术和图像处理方法检测硅片缺陷,并采用深度学习技术完成硅片的品质预测。本文主要工作及创新如下:（1）针对常用去噪算法会使目标边缘像素信息损失的情况,本文提出了一种基于改进均值滤波的图像去噪算法。首先设计“工”字形模板,以模板中心为原点按照顺时针方向进行旋转,每次旋转的角度为45°,然后利用灰度方差对模板覆盖区域的像素灰度值分布进行描述,最后取灰度方差最小值的模板位置作为均值滤波的最佳位置。实验表明,经本文算法处理后的图像,其中边缘像素信息能够被较好地保留。（2）针对采集图像中出现的光照不均现象,常规算法处理时间长。本文提出一种基于区域部分重叠的图像增强算法。依据原图和模板构建亮度差异值,为了使相邻亮度差异之间具有衔接性,取模板长度的40%作为模板滑动步长;所得到的亮度差异点拓展至原图大小得到差异图,通过将原图和差异图相减,达到消除光照不均以及为后续分割算法减轻负担目的。（3）提出一种基于Hessian矩阵的位错提取方法。由于位错形成时发生滑移现象导致位错分支像素灰度值较小,传统分割方法难以将其全部提取。为解决此问题,首先通过Hessian矩阵得到位错主方向,接着设计“田”字形模板遍历原图,确保模板与位错主方向对齐,最后计算两者的总余弦相似度,再通过线性映射的方法得到位错提取图像。（4）提出基于深度学习的硅片品质预测算法,进一步量化位错与硅片品质的关系。依据VGG和Resnet网络结构分别采用ADAM和SGDM优化算法,设计了硅片品质预测模型,并从预测结果和推理性能方面进行分析,实验证明了采用ADAM优化算法的VGG-19网络模型性能最优。随后,提出一种基于改进VGG-19的硅片品质预测算法,对VGG-19模型的网络结构进行调整。经过实验对比,改进后的网络模型预测误差降低了0.1。推理速度达到每秒4FPS。