随着智能手机的快速发展,手机锂电池的生产需求也与日俱增。为保证手机锂电池生产效率,锂电池的制造过程已基本实现自动化,然而其外观质量检测仍处于人工检测阶段。因此,引入基于机器视觉的外观检测方法已成为工业检测的研究热点。机器视觉检测过程中,由于受到复杂生产过程、光照条件等因素影响,采集到的锂电池外观图像质量不一,从而导致常用机器视觉自动检测方法精度不高。因此,本文针对手机锂电池表面缺陷检测算法及其应用开展研究,分别提出了一种基于传统图像处理的特征增强算法和基于深度学习的目标检测模型解决锂电池表面缺陷特征提取、分类和定位等问题。此外,本文还设计了一套基于深度学习的工业视觉检测软件并将构建好的检测模型应用于该软件系统中。针对复杂光照条件下缺陷特征提取困难的问题,本文采用两幅不同打光方案的图像作差分运算来解决光照不均的问题,并基于一阶离散高斯微分和显著性算法增强缺陷特征信息。实验结果表明,采用以上传统图像处理算法能够有效地增强锂电池表面缺陷的特征信息,并在进行特征分析后可以获得缺陷类别与位置。但是此方法存在两个问题:特征信息弱的缺陷难以检测,以及整体检测速度较慢。为了进一步提高锂电池表面缺陷检测效果,本文提出了一种基于串联分组卷积块的神经网络模型（ConcateXnet模型）。该模型结构简单、计算量小可以提高检测速度,同时采用串联跨接的方式结合浅层和深层的特征图可以有效地提取不同网络层的缺陷特征,避免特征信息丢失。根据实际的硬件和软件需求,本文设计了一个三光源相机模组和一套基于深度学习的工业视觉检测软件。硬件模组从左、右侧和正侧三个不同方向的光照下采集图像,可以增强缺陷的成像效果。检测软件集成了模型训练和测试以及远程部署和调用模型等功能模块。本文将构建好的轻量网络模型应用于该检测软件中,并对现场采集得到的294张锂电池表面图片进行人工标注缺陷位置和类别后用于模型的训练和测试。实际测试结果表明本文构建的ConcateXnet模型能够实现端到端实时检测,获得26fps的检测速度和92%平均精度值（mAP@0.5 IOU）,满足实验环境和工业现场的实际检测速度和精度要求。