工业产品质量在线实时视觉检测是智能制造的一项重要工序。目前主流的检测基于人工提取特征,然而这种方法维护成本高和系统迭代慢。另外,面对复杂检测场景,往往难以有良好效果。深度学习作为一种新型人工智能技术,在视觉任务上获得优异性能。但是,深度学习模型性能严重依赖大量带标签的样本数据。在视觉检测任务中,缺陷样本是少量,而且缺陷区域的标记是困难的,耗时的。解决此问题方法主要有:标记框和像素级标记。相比前者,像素级标记更精细,但是成本也更高。为了减少标记成本,本文提出一种弱监督学习方法,仅使用图像级标签训练语义分割网络实现像素级的精细分割。具体工作如下:（1）首先介绍目前语义分割的主流技术方法和弱监督学习方法,阐明相关理论和技术框架。（2）提出弱监督学习的缺陷检测框架。缺陷检测框架由骨干网络、分割网络、分类网络组成。然后针对像素级标签获取成本问题,提出使用图像级标签的弱监督学习方法训练分割网络。针对分割网络难以直接训练难题,提出两阶段分割网络训练策略,使用弱监督学习方法训练粗分割网络,获取缺陷伪标签后,再训练分割网络。弱监督学习包括显著性区域挖掘和多尺度互补区域挖掘,可以根据先验知识训练网络,获得较完整地缺陷区域预测。（3）针对弱监督分割网络的分割结果精度较低问题,引入DenseCRF进行缺陷精细分割。由于基于DenseCRF损失的训练时间较长,而且对低对比度缺陷识别效果差,因此提出基于迭代DenseCRF伪标签的训练策略,并使用粗细伪标签混合监督的方式训练网络,能取得较好分割精度。（4）收集电机换向器的上、下端面数据集,建立实验数据集,并用本文提出方法验证。通过实验及结果,验证本文提出方法有效性,并且进行分析。同时,也观察本文方法的一些重要参数对实验结果的影响,并说明部分参数的作用。