随着中国制造业的快速发展,人们对产品的质量要求不断提升,但是在生产过程中缺陷又是在所难免的。纸张缺陷不仅对外观本身产生影响而且影响使用,因此制造企业特别看重产品质检,以保证产品的质量,同时对质检结果进行分析,进一步改进生产工艺,减少缺陷的产生。目前,已有企业在使用机器视觉技术的纸张缺陷检测系统代替人工质检,但在算法上还不能满足纸机的要求,本文对纸张表面缺陷检测及分类算法进行了研究,以找到适合的缺陷检测算法。论文工作主要有以下方面:针对纸张表面缺陷识别,通过分析纸张表面各个环节中出现的缺陷类型以及缺陷识别分类等算法。结合当前卷积神经网络,对现有的表面缺陷识别算法进行了分析研究,通过分析空间注意力机制融合通道注意力信息,使网络不在局限于原始图片特征提取阶段,提出在含有通道注意力的EffcientNet的网络中添加空间注意力,设计新的注意力机制模型,对纸张表面缺陷进行分类。在EffcientNet基础之上正确添加空间注意力机制,该方法不会影响EffcientNet的网络结构和算法速度,并且提升了模型算法的缺陷识别准确度,与原网络相比准确率提高了0.65%。在纸张表面缺陷检测上,通过分析和总结前面卷积神经网络在纸张表面缺陷的应用,针对SSD（Single Shot Multi Box Detector）在检测小目标能力不足的问题。本文提出了一种改进SSD算法,具体为:添加注意力模块的EffcientNet算法作为SSD网络的骨干网络,增加对目标的表征能力,从而增强检测能力;由于本课题对产品检测往往缺少数据样本,利用预训练权重能够加速梯度收敛,并且实现对小数据集的训练,对网络进行微调,改善因数据较小引起的过度拟合以及初始化不当导致的梯度消失和梯度爆炸问题。最后,由于正样本与负样本存在不均衡问题,SSD网络难以对样本进行均匀、密集地采样训练,降低了模型的准确度。采用焦点损失函数挖掘样本中的困难样本,降低训练过程中简单负样本的权重,防止检测器在训练过程中失效;为进一步提高模型对于缺陷检测的准确率,在改进SSD网络基础上使用特征金字塔融合上下文信息,重新构建了金字塔特征映射,与使用EffcientNet改进的SSD网络相比,m AP（Mean Average Precision）提升了6%,时间缩短了5.2ms。