随着对工业产品质量要求的日益提高,产品表面缺陷检测成了生产加工的重要环节。由于生产环境中不可控因素的干扰,产品表面缺陷难以量化,这一特性让传统的基于规则的机器视觉检测方案效能不佳。深度学习的发展为产品表面缺陷检测提供了新思路和替代方案。本文基于U-Net++网络的基本结构,结合一种工业产品——铆钉的表面缺陷特点,从数据增强、整体网络架构、损失函数以及卷积块进行了一系列的改进,提供了一种优化的缺陷检测方案,有效地满足了检测精度和实时性。论文主要工作如下:（1）针对工业数据集较小问题提出了数据增强方案。本文尝试采用密集切片采样来扩充铆钉缺陷数据集规模。但是实验表明,密集切片采样在本文数据集上并未表现出较好的结果。为此,结合铆钉缺陷边界难以界定的问题本文从数据集的标注入手,提出了模糊标签的数据增强方式,增强网络对缺陷的学习能力。（2）精简原始网络结构,结合铆钉缺陷语义层次特点与工业对检测效率的要求,设计了更为简单有效的网络结构,对原始网络结构进行剪枝操作,减少下采样次数。通过设计不同深度的U-net的有效集成来解决未知的网络深度问题,并通过深度监督实现共同学习。（3）针对单一的交叉熵损失在检测目标较小的数据集上收敛速度过慢问题,本文在原有交叉熵损失函数的基础上增加了IOU损失函数,加快收敛速度,便于小样本缺陷的学习。（4）本文通过分析残差网络可以避免网络训练过程中梯度弥散以及图像细节信息丢失严重的问题,使用残差块替代常规卷积块来加快网络的收敛速度,降低网络训练过程中细节信息的损失,将准确度提升了10.6个百分点。本文对改进方法分别设计了对比实验,逐一验证方案的有效性。并通过将本文算法运用在两个公开数据集上和其它算法进行了比较实验,取得了较好的实验效果:在铆钉表面缺陷数据集上召回率达到了百分百,平均交并比达到了0.6315。在本文的硬件环境下检测速度为14.3fps。本文工作满足了工业检测的需求,成功将深度学习算法落地于工业中铆钉表面缺陷检测环节。