相对于传统的目标检测方法,基于深度学习的目标检测方法具有较高的检测精度和较强的适应性,在工业场景中也得到了广泛的应用。在钢材表面缺陷检测任务中,由于复杂的工业环境等因素的影响,导致检测难度增加,误检率和漏检率高,检测效率低。因此,对钢材表面缺陷进行快速精准的识别具有重要的研究意义。本文基于YOLOv5深度学习目标检测算法,选取工业应用最广泛的金属原料钢材作为研究对象,对其表面缺陷检测问题进行了相应研究,主要工作如下:（1）针对当前钢材表面缺陷检测中对复杂目标特征提取不充分、缺陷定位偏差大等问题,本文分别对比了自适应与K-Means聚类两种锚框计算方法,以及SENet与CBAM两种注意力机制,并对YOLOv5进行改进。实验结果表明,单独使用锚框或注意力机制对算法进行改进,都从一定程度上提高了网络模型的性能。对于网络初始设定的锚框选择方法进行改进可以使预测框的回归更加精准,提高了网络模型的定位精度。添加注意力机制则提高了目标特征在通道和空间上的联系,增强了网络对于特征图中关键信息的关注程度,有利于网络更加完善地提取和利用特征。（2）进行了基于改进YOLOv5的钢材表面缺陷检测实验。首先针对NEU-DET数据集样本少、训练效果不佳的问题,使用Mosaic数据增强和线性对比度增强的方法丰富数据集,避免训练出现过拟合的情况,增强了网络模型的鲁棒性。然后搭建了YOLOv5钢材表面缺陷检测实验环境。最后将锚框和注意力机制这两部分的改进方法进行结合得到了4种改进YOLOv5网络模型,并通过对比试验得到了对于钢材表面缺陷检测任务的最优模型:Improved YOLOv5。实验结果表明,K-Means聚类锚框和SENet结合的改进网络模型相较于原始YOLOv5的m AP提高了4.3%,有效地增强了网络检测的整体性能,且减少了误检和漏检的情况。（3）针对当前工业环境中对于钢材表面缺陷检测实时性的要求,提出了一种YOLOv5的轻量化网络模型。首先使用深度可分离卷积和Ghost Bottleneck对网络结构进行了简化处理,得到轻量化后的网络模型:Simplified YOLOv5,该模型在保证了一定检测精度同时降低了计算复杂度,提升了检测速度。其次为应对工业中对于检测的要求,在NVIDIA Jetson Nano上使用Tensor RT和Deep Stream对Simplified YOLOv5模型进行部署,并对实际检测效果进行了测试,结果表明该部署方案基本可以满足工业对于钢材表面缺陷检测实时性的需求。