钢带是我国现代钢铁行业的主要产品之一,广泛应用于汽车制造、高铁运输、航空航天和造船等领域,但受原料、轧制工艺、生产环境等因素影响,钢带在轧制过程中表面会出现缺陷,影响产品质量。因此在现代工业生产中,对热轧钢带进行表面缺陷检测是必不可少的。然而由于检测难度大、生产现场环境恶劣、传统的检测技术复杂低效,采用深度学习技术可以更高效准确的对热轧钢带表面缺陷进行检测。在实际的工业生产中,由于热轧钢带表面缺陷样本收集周期较长、工业缺陷样本少、人工标记工作量大,难以获取到大量有标记的缺陷样本,因此采用半监督学习方法,可以有效利用未标记的数据提高预测性能,降低标记成本,为之后的热轧钢带状态评估及故障诊断提供依据。本文主要分为两部分:第一部分是针对热轧钢带表面缺陷数据的特点改进Faster R-CNN算法。为了解决热轧钢带样本数量少的问题,采用数据增强技术对表面缺陷数据集进行扩充。为了解决热轧钢带样本数量少在深度学习模型训练中易过拟合和检测精度不高的问题,采用基于预训练的迁移学习的方法。根据图像中缺陷情况复杂,难以区分边界、缺陷形状和大小差异大的特点,在Faster R-CNN目标检测算法中,选取Res Net-50作为主干网络并改进。采用高效通道注意力（Efficient Channel Attention,ECA）模块提高缺陷特征对网络模型的影响力,强化热轧钢带表面缺陷的位置;采用可变形卷积（Deformable Convolutional Networks,DCN）技术来生成可变形的特征图像,从而更好地提取特征;采用特征金字塔网格（Feature Pyramid Grids,FPG）思想对底层空间位置特征与高层语义特征补充,可以在各个层次上对不同大小的目标进行检测。在NEU-DET热轧钢带表面缺陷数据集中,改进前后实验对比平均精度均值（mean Average Precision,mAP）提高了6.9%,表明改进后的算法能够较准确、有效地完成表面缺陷的检测。第二部分是针对热轧钢带表面缺陷样本标记困难问题,将改进的Faster R-CNN算法作为基础算法,在此基础上提出了一种基于半监督迁移学习的缺陷检测方法。对自训练与增强驱动的一致性正则化（Self-Training and the Augmentation driven Consistency regularization,STAC）半监督学习框架进行改进,改进后的STAC框架中采用强、弱两种数据增强应用于未标记的数据,并把弱数据增强输入到教师模型,强数据增强输入到学生模型,在弱数据增强中增加翻转和噪声两种数据增强技术到框架中,在强数据增强中增加Mosaic数据增强技术到框架中;采用保持增强（Keep Augment）方法保留原始的重要信息;采用指数移动平均（Exponential Moving Average,EMA）方法利用学生模型权重更新教师模型权重。该实验结果表明,对于NEU-DET热轧钢带表面缺陷数据集,在仅有5%、10%和20%有标记数据的情况下,使用改进STAC框架的基础模型的m AP比基础模型分别提高了16.2%、12.9%和4%。验证了该改进框架可以利用少量的标记数据,降低标记成本,提高模型精度。