中国是一个烟草大国,烟支是烟草的重要产品之一。据统计,中国目前烟民的数量大致在3.5亿;另一方面,每年通过烟草上缴的税收也是上万亿,在2020年,其工商税利高达一万两千多亿元。云南烟草是中国烟草的重要产出地,其产量在全国排名第一,对于云南省来说,云南烟草无疑是最核心的经济产业之一。在烟支制造流水线过程中,会因为种种原因,比如说机器故障以及原材料损坏等,都会造成烟支出现质量问题,从而出现不同种类的外表缺陷。以往只是通过人工检测以及一些传统的数字图像处理方法进行检测,这些检测方法难免会带来一些问题:（1）人工检测会不可避免地带来误差以及速度慢等问题;（2）数字图像处理方法无法分辨出所有类型的缺陷,且对于所识别的缺陷无法具体分类,这就导致无法及时反馈到生产端,从而无法降低生产成本。针对以上两方面的问题,本文做了以下研究:设计了一种基于改进YOLOv4（You Only Look Once Version 4）模型的烟支外观缺陷检测方法。该方法首先对原有数据集进行了数据增强,并改进先验框的产生方法,然后在YOLOv4模型上引入了注意力机制,并用空洞空间卷积池化金字塔ASPP（Atrous Spatial Pyramid Pooling）结构替换原有的空间金字塔池化SPP（Spatial Pyramid Pooling）结构,进一步提升烟支外观缺陷检测的精度。改进后的算法的mAP达91.77%,较原方法提升了 4.88%,Precision达93.32%,较原方法提升了 5.45%,Recall达88.81%,较原方法提升了 4.05%,FPS下降了 7帧,但是这并不影响实际的生产流水线过程。实验结果表明了本文改进方法在烟支外观缺陷检测上的有效性。在实际工业生产中,难免也会遇到图像分类问题,因此本文在基于烟支外观图像数据的基础上,将深度学习的方法应用到了工业实际生产过程中所碰到的图像分类问题,即烟支外观缺陷图像分类研究,力求能够对卷烟厂后续的分类需求及其他工业生产过程中碰到的图像分类问题做出一点贡献,针对这些问题,本文做了如下研究:设计了一种基于改进ResNeSt（Split-Attention Networks）模型的烟支外观缺陷分类方法。首先,针对烟支外观缺陷样本数量不足的问题,采用了迁移学习的方法;其次,针对烟支图像的特征,采用多尺度训练,输入不同尺寸大小的图片进行训练;最后,为了更好地提取缺陷特征,提高分类正确率,用h-swish替换ReLU激活函数。改进后的网络的正确率和召回率分别为92.16%、90.79%,较原方法分别提升了 6.12%、5.32%,且正确率和召回率都高于目前主流的分类网络。