基于视觉的产品表面缺陷检测是工业自动化检测的重要组成部分,对保证产品质量、提升生产效率至关重要。目前,基于卷积神经网络的缺陷检测算法因其较高的准确率和泛化性以及无需手工选取特征等优势逐渐成为主流。然而由于产品种类繁多以及缺陷部位的差异较大,基于深度学习的缺陷检测算法在作用于不同的数据集时仍需要专家对网络结构调整进行适应性调整,准确率也受到了一定的限制。为了进一步提高产品表面缺陷检测算法的准确率和工业自动化水平,本文开展了基于神经网络架构搜索的产品表面缺陷检测算法研究。本文提出了一种两阶段实现的产品表面缺陷检测算法。在第一个阶段中通过可微分神经网络架构搜索技术在密集连接的多通道神经网络空间中进行网络结构的优化。在搜索中采用增加辅助直连的方法避免网络搜索的崩塌问题。在搜索后采用了一种固定多尺度输出的解码方法得到离散的网络结构。在第二个阶段中建立了正常样本与缺陷样本在特征空间的关系,设计了一种对比机制提高缺陷部位显著性。针对缺陷部位形状、大小的差异问题,设计一种多尺度信息融合机制对第一阶段的多尺度特征进行处理。之后采用了一种以正常样本参考结果和融合特征为输入的分割网络完成缺陷部位像素级别的分割。最后,本文采用了多阶段的训练方法保证算法的实现。为了验证算法的准确性和泛化性,本文使用了公开的产品表面缺陷数据集进行验证,并与主流基于手工精心设计和基于神经网络架构搜索的图像分割算法进行了对比,实验表明本文提出的算法在各个数据集中都表现良好,在平均交并比指标上得到了不同程度的提高。此外本文通过消融实验证明了各个模块的有效性。