目标检测技术是计算机视觉技术中的核心技术之一,随着计算机技术发展及处理能力的提升,基于深度学习的目标检测技术已取得的不错的成果。钢板作为不可或缺的产品生产原料,在现代化发展过程中起着举足轻重的作用,其质量的优劣直接决定产品的质量,由于生产环境的多样性,导致钢板表面缺陷种类繁多,如何快速检测出钢板中的缺陷,减少对后续产品的影响,满足不断发展的市场需要,有着非要重要的作用。随着深度学习在目标检测技术的广泛应用,更高效、智能、准确的钢板表面缺陷检测方法在实践上成为可能,研究基于深度学习的钢板缺陷检测变得非常有意义,本文通过对钢板缺陷特点和SSD（Single Shot Multi Box Detector）算法的研究,实现并改进了一种基于SSD的钢板缺陷检测算法。论文具体工作如下:（1）首先本文对基于卷积神经网络的目标检测算法进行研究,对其中的经典的网络结构进行阐述,结合网络复杂度、网络深度、模型精度等的考虑,选择了SSD目标检测模型作为研究对象,从网络结构、模型参数、特征提取及训练等角度进行重点剖析。为了提高模型的在真实环境的适应能力,选取工业流水线中的真实图像作为数据集,对图像进行滤波、降噪处理,并利用Label Img软件对图像中的缺陷目标进行标记,并按照一定的方式对数据集进行分类,划分为网络的训练集和测试集。（2）针对缺陷图像中缺陷特征在整个图像中比重较小,而原始的SSD目标检测网络在特征提取阶段使用整幅特征图获取特征权重,影响网络模型的性能,特引入注意力机制,将通道和空间注意力机制两种算法进行叠加,在一定程度上提升了网络对目标特征的敏感度,提高网络模型的检测能力。实验表明改进后的SSD目标检测算法在钢板缺陷数据中有比较好的表现效果,检测精度较原始模型提升8.7%。（3）在钢板缺陷目标中存在较多的小目标,针对SSD目标检测模型在检测阶段小目标语义特征图权重较小的情况,引入特征融合技术,提高SSD网络对小目标特征检测的准确率。实验结果表明特征融合后的SSD算法在钢板缺陷检测中,特别是小目标缺陷有较好的检测效果。最后将两种改进同时加入到SSD网络中,形成注意力机制+特征融合的SSD模型,实验结果表明,改进后的模型网络精度比原始SSD模型精度提升13.2%。最后,根据本文提出的方法,用PyQT编写钢板缺陷目标检测模拟系统,并分别对单类缺陷和混合类型缺陷进行检测,检测结果良好。该模拟系统的实现,也证明了本文的基于SSD卷积神经网络钢板缺陷检测改进算法的有效性和可实施性。