设施或设备的表面质量影响着它们的美观和性能,为了保证它们能够正常工作,在生产设施或设备的过程中对它们的表面进行缺陷检测是十分有必要的。人工检测和一些机器学习的方法检测缺陷的准确率低。使用手工设计的卷积神经网络(Convolutional Neural Network,CNN)的方法在表面缺陷检测任务中取得了成功,但是要设计一个优秀的CNN架构,需要设计人员掌握一定的经验和专业知识并且要耗费大量的时间。为了解决这个问题,本文提出了一种神经网络架构搜索方法来对表面缺陷进行检测。围绕这个方法,本文的主要工作如下:(1)提出基于神经网络架构搜索的表面缺陷检测方法研究(NAS-SDD)。该方法主要包括四个方面:定义搜索空间,执行搜索策略、定义性能评估策略和基于梯度加权的类激活映射技术的缺陷定位检测。在定义搜索空间方面,本文在NASNet的搜索空间的基础上提出了一个新的Max-pooling Cell结构来简化搜索空间,它可以减小搜索空间和搜索到CNN模型的参数量。另外,本文还简化了搜索空间中待搜索的操作。在执行搜索策略方面,本文使用了基于强化学习的搜索策略。在定义性能评估策略方面,本文采用了权值共享的策略。另外,本文提出了两个不同的CNN架构NAS-SDD-A和NAS-SDD-B来搜索或者堆叠最佳Cell。最后结合梯度加权的类激活映射技术对缺陷完成最终的缺陷定位检测。(2)在NEU-CLS、DAGM和桥梁裂纹三个缺陷数据集上进行了验证实验。首先使用NEU-CLS缺陷数据集搜索NAS-SDD-A和NAS-SDD-B的最佳Cell和其最佳堆叠深度,并在NEU-CLS缺陷数据集上与7种先进的方法进行性能比较。然后直接使用在NEU-CLS缺陷数据集上搜索到的最佳CNN模型分别在DAGM和桥梁裂纹缺陷数据集进行训练和测试,并与在这两个数据集上表现出现的方法进行对比。最后使用梯度加权的类激活映射技术结合搜索到的CNN模型来定位缺陷位置。本文使用准确率(Accuracy,Acc)和平均精度均值(mean Average Precision,m AP)评价指标来进行性能评估。NAS-SDD在NEU-CLS数据集上取得了99.81%的Acc和99.98%的m AP,超越了大多数方法的结果。在DAGM和桥梁裂纹缺陷数据集上NAS-SDD取得了99.8%和99.26%的Acc,这也证明本文的方法具有很好的泛化能力。最后所搜索到的CNN结合梯度加权的类激活映射技术可以准确的定位到缺陷所在的位置。实验与对比结果表明,本文提出的方法可以有效的运用在表面缺陷检测任务当中。