钢铁表面质量控制一直是钢铁生产过程智能检测的重点。随着“十四五规划”等概念的提出及深度学习的发展,机器代替人工进行缺陷检测成为趋势。但与此同时,钢铁表面缺陷类别多样、标注数据缺乏,也是钢铁工业领域难以避开的困难问题。半监督学习方法对于标记数据缺乏的问题非常有效,因此将半监督学习方法应用于目标检测可以改善监督学习目标检测的不足,同时对钢铁表面缺陷检测具有重要意义。本文以深度学习方法为基础,将半监督目标检测方法作为依据,Pytorch作为实验基础环境,采用理论分析和实验验证相结合的方法,针对钢铁表面缺陷检测缺陷类别多样、标签数据缺乏的特点,开展了以下工作:（1）提出了使用半监督目标检测模型与钢铁表面缺陷检测相结合的方式,解决钢铁表面缺陷检测缺乏相关半监督模型的问题。对STAC模型、确定性伪标签和动态重加权、EMA参数更新和稠密伪标签等半监督目标检测理论进行阐明,为构建钢铁表面缺陷检测模型奠定理论基础。并且对FFRCNN网络、Softteacher中损失函数及框抖动算法进行了系统阐述,为改进作出理论铺垫。（2）针对钢铁表面检测数据集NEU在进行缺陷检测时特征不明显的问题,提出了改进FFRCNN网络模型,将网络的串行结构改为了多分支并行结构,旨在对特征进行多次提取并融合,以避免由于数据特征不明显所导致的特征丢失问题;针对半监督伪标签不可靠的问题,改进伪标签生成机制,通过多次生成伪标签来调整损失函数,以降低因模型预测带来的误差,达到提高伪标签可靠性的目的;构建了钢铁表面缺陷检测新模型,并通过实验和分析验证了效果。（3）围绕钢铁生产智能化管理需求,设计并实现了基于半监督目标检测的钢铁生产监控管理系统,基本功能包括对生产环境进行实时监控,对钢板数量进行统计,对钢板表面缺陷进行检测,以及将检测结果以图形化形式直观显示。