冷轧薄板表面缺陷不仅影响了产品外观质量，还降低了终端产品的安全性能。对冷轧薄板实现在线实时检测分类十分重要，通过对检测到的缺陷进行分类统计，结合轧制过程中各因素可能对缺陷产生的影响，判断缺陷产生的原因可以作为改进轧制工艺的依据，进而提高生产效率、控制产品质量。如何对冷轧薄板表面缺陷进行高效分类是表面检测的热点问题。本文在调研国内外相关研究的基础上，着重研究在图像分类中取得很好效果的卷积神经网络，并把它应用到冷轧薄板表面缺陷分类算法中。　　首先，论文对传统卷积神经网络进行了研究，探讨了卷积神经网络的思想架构、网络结构和训练算法，详细推导了梯度下降算法更新权值的过程。　　其次，介绍了卷积神经网络参数的设置，主要包括目前较常使用的几种激活函数、学习率、附加动量项和权值初始化。分析4种激活函数的特点和可能出现的问题，指出学习率可能对分类结果造成的影响，通过附加动量项可以加快收敛减少振荡，介绍常用的权值初始化方法。　　然后，提出了采用稀疏自编码器初始化卷积核代替传统的随机初始化方法。通过对自编码器和稀疏自编码器的研究，将稀疏自编码器与卷积神经网络结合起来，稀疏自编码学习到的输入层至隐藏层的权值作为卷积神经网络卷积层的卷积核，并可视化权值。　　最后，针对图像种类和数量不足的情况，对图像库进行扩充并人工制定标签建立样本库。将样本库应用到针对冷轧薄板表面缺陷样本分类设计的卷积神经网络中，在MATLAB上进行编程并结合GPU加速技术，对比不同的激活函数和不同卷积核的实验分类结果。实验结果表明，4种激活函数中RELU在分类精度上和收敛速度上优于其它三种，基于稀疏自编码学习的卷积核优于随机生成卷积核的方法。