在OLED面板阵列制程中,异物、脱落膜、残胶等缺陷多嵌套于多层排列的薄膜晶体管电路中,采用传统自动光学检测方法检测缺陷时需去除纹理背景,缺陷易被截断且淹没在残留背景噪声中导致微缺陷识别准确率低。同时,由于缺陷尺寸小、可视化特征少,多类别微缺陷难以区分,分类准确率不足。现有基于深度学习的检测方法对小目标适应能力不足,微缺陷在卷积过程中易出现特征消失,同时,真实场景中样本分布均衡的多类别缺陷难以获取,导致微缺陷识别分类准确率低。针对上述问题,本文开展“基于深度学习的OLED面板阵列制程微缺陷检测方法研究”,主要研究内容如下:（1）提出基于自适应加权特征融合Faster R-CNN的微缺陷检测方法。采用残差网络作为特征提取网络,通过自适应加权特征融合金字塔结构融合浅层高分辨率特征和深层语义特征,根据模型对大目标和小目标的检测性能差异调整特征融合贡献度,以提升微缺陷识别准确率;利用多尺度导向锚框方法改善密集的锚框与稀疏分布的缺陷间的不匹配,以降低锚框冗余。自适应加权特征融合Faster R-CNN在OLED样本和开源PCB样本上的查准率分别为99.3%和98.3%。（2）开展基于矢量量化-变分自编码器的微缺陷识别方法研究。采用矢量量化-变分自编码器重构有缺陷图像的纹理背景,利用有缺陷图像与重构图像间的结构相似性矩阵和差影梯度图像构建差异表征图像,根据缺陷区域在差异表征图像的显著程度选择区域生长的先验,以获得准确的种子点,并通过区域生长方法提取缺陷区域,进而得到缺陷位置、面积、占比等信息。所提出的微缺陷检测方法在非周期纹理样本上对缺陷的识别准确率为90.0%;在周期纹理样本上的识别准确率为90.5%。（3）提出基于孪生神经网络的少样本缺陷分类方法。分析少样本分类的难点和数据增广、迁移学习及孪生神经网络对少样本分类模型性能提升的效果。采用数据增广方法获得更广泛的样本信息;利用孪生神经网络将多分类问题转化为相似性判别问题,以降低模型对数据的依赖;采用迁移学习策略微调在源域上鲁棒性强的特征提取器,以获得适用于少样本的强泛化能力的模型。所提出的方法对OLED样本中11类缺陷的分类准确率为91.4%。