在工件加工生产或装配过程中,其表面可能产生不同种类缺陷,生产企业可由此作为判断工件表面质量和产品等级的一项指标。针对传统人工检测与传统自动化检测速度较慢、准确性较低等问题,本文利用了深度学习理论和技术手段,能够实现对工件表面缺陷的高效、精确检查,并在热轧钢带、钢板表面和轴承外观三种工件上进行实验验证。重点研究内容主要有如下几方面:（1）为提高缺陷检测整体方案中的缺陷识别准确率,本文基于ResNet-50进行优化,设计一种识别工件缺陷的网络框架。通过分析骨干网络结构和性能,探索提升识别精度方法。针对分类网络中小目标缺陷特征表达不足的问题,本文在ResNet-50网络模型后增加一层全连接层,不仅丰富了小目标缺陷的特征表达,也为网络模型赋予更多的权重参数。此外,为抑制全连接层的加入导致模型过拟合,加入了 dropout层减少神经元之间的连接。（2）针对当前工件表面缺陷检测算法模型参数量大、实时性较差、难以在性能受限的嵌入式系统中运行,以及在计算资源受限的嵌入式系统中存在运行困难的问题,本文提出一种基于轻量级算法YOLOv3tiny的改进算法DefectYOLOv3tiny。针对通用锚框参数不适用于缺陷检测数据集,该算法应用K-means算法聚类缺陷标签文件,生成适用于缺陷特征的先验框。为更好的保留全局与局部特征,将空间金字塔池化（SPP）模块添加到网络,同时在SPP层后引入注意力模块。为遏制微小缺陷漏检,增加算法检测分支。此外,借助迁移学习思想,用热轧钢带缺陷数据集训练网络,将得到的预训练权重再应用到钢板和轴承数据集。与原有YOLOv3tiny相比,改进后的算法在钢板与轴承数据上的mAP均有提升且维持了轻量级算法的高效,满足嵌入式系统对缺陷检测的轻量化与准确性需求。（3）为提升缺陷检测算法使用效率、便于运维人员进行人机交互,本文基于PyQt5框架开发缺陷检测人机交互界面,可对上传的图像数据与视频数据进行检测,在可视化界面同步输出缺陷检测结果,最终显示检测准确率、召回率及检测速度等相关信息。