现阶段轮胎缺陷的检测和分类主要依靠人工肉眼观察轮胎X光图像,这种检测方法不仅不能满足市场需求,甚至严重制约了我国轮胎工业的发展。近年来,人工智能和机器学习飞速发展,大量优秀的深度学习网络模型涌现出来,为轮胎X光片缺陷检测提供了新的解决方案。但是,深度学习网络模型往往需要大量带标签样本进行训练才能够取得良好的识别效果,而获取大量带标签样本又非常困难。为解决传统深度学习应用于轮胎X光片缺陷检测时对标注样本的需求量极大且人工标注难度大、准确性差的问题。本文设计了一种无监督学习的卷积自编码网络模型,并在模型中使用改进后的特征金字塔网络实现更好的特征融合,通过最小化原始样本与重构样本的差异对网络进行训练,获取能够准确代表缺陷类别的特征向量,之后提出了本文所用聚类方法并做了一系列工作优化聚类算法流程,实现了对10类缺陷样本的良好聚类划分。本文具体内容如下:（1）对轮胎X光片缺陷特征提取技术和聚类算法的国内外研究现状进行了阐述,针对轮胎X光片缺陷检测技术目前面临的问题,提出采用无监督学习的聚类技术解决目前深度学习面临的海量样本标注难题。（2）基于卷积神经网络和自编码器的思想,设计了一种新型卷积自编码网络模型,并在模型中增添改进后的特征金字塔网络进行特征融合,得到了双向特征金字塔卷积自编码网络,加强了缺陷特征的提取能力。（3）对三种经典随机梯度下降算法进行对比论证,确定采用基于无穷大范数的Ada Max算法调节网络的参数和更新权重,通过迭代训练后网络高质量重构了输入样本,获取到适用于聚类任务的特征向量。（4）提出基于双向特征金字塔卷积自编码网络的聚类方法,利用密度峰值聚类算法来确定初始聚类中心,采用高斯混合模型对缺陷特征进行聚类,基于KL散度提出迭代终止条件,通过SNE对聚类结果进行降维展示。实验结果表明,本文聚类算法实现了对轮胎X光片缺陷样本的良好聚类,具有一定的研究和应用价值。