随着我国房地产行业的繁荣,装修行业也迎来了黄金时期。由于木地板在脚感,静音性及安全性等方面的优势,越来越多的家庭在室内装修选择地板时会优先考虑木地板。然而,随着生活质量的提高,大众对其品质要求也越来越高。因此,缺陷检测成为生产流程中必不可少的环节。木地板的生产流程是一个复杂的复合过程,在很多环节都可能产生缺陷。目前,大部分企业采用人工检测方式,该方法效率低、成本高、无数据追溯。因此,企业迫切需要通过智能化的方案去解决这个问题。无接触视觉检测方案作为一个比较好的替代方案,可以极大的减少人力成本。在无接触视觉检测方案中应用最广泛的是基于深度学习的缺陷检测,相比于传统的图像处理检测算法,基于深度学习缺陷检测方法有更好的性能,更符合工业要求。目前大多数方法都是基于有监督学习的缺陷检测方法。该方法需要大量有缺陷的样本数据,而实际场景中缺陷数据是及其缺少的,这使得监督学习方法模型检测效果不稳定。而且在实际工业场景下缺陷是不可预见的,缺陷类型是无法枚举的,这近一步导致基于有监督学习缺陷检测方法很难满足于实际工业要求。针对以上问题,本文的主要工作和创新总结如下:（1）提出了一种基于生成对抗网络和变分自编码器的图像重构模型（MVAEGAN）。本文结合了生成对抗网络与变分自编码器各自的优点,以真实的木地板数据为基准,通过设计合理的损失函数以及网络模型结构,使模型既稳定又能保证生成图像的合理性。通过训练无缺陷样本,使其学习无缺陷样本潜在特征信息,并使其具有正常样本的重构能力,为无监督学习的木地板缺陷检测算法提供模型支持。实验采用真实木地板数据,并使用图像质量评价（IQA）作为图像好坏的判定指标。针对真实木地板样本,在MVAE-GAN、GAN和VAE三种模型下分别进行了图像重构。实验结果表明,本文所提出的MVAE-GAN模型在结构相似性、峰值信噪比等各项指标中均优于GAN和VAE模型。（2）提出了一种多模态的无监督木地板检测算法。由于实际木地板生产环境中缺陷不可预见、偶发、不可枚举等特点,有监督缺陷检测算法无法满足实际生产要求。本文提出了一种新颖的无监督木地板检测算法。网络模型基于图像重构的思路,通过构建输入图像与生成图像的残差图,设计符合木地板缺陷判定的合理阈值,从而实现缺陷检测。为提高模型的鲁棒性和检测精度,本文引入了多模态结构,并对比了多模态结构与单层模型算法的性能,结果表明,相比于单层模型检测算法,多模态检测算法的误检率降低了大约7%。