液体商品广泛出现在人们的日常生活中，从医用的药剂到饮料等，它们的质量直接关系到饮用者的生理健康。随着社会经济的发展与人民生活质量的改善，人们在面对饮料或酒类等液体商品时选择更多。通常在消费者眼里，精致的包装意味着该商品的档次很高。因此，以不透明容器为包装的液体商品在市场上占有很大的比重。为了确保不透明容器内液体的质量，除了从源头避免杂质进入液体商品以外，对不透明容器内的杂质进行检测不可或缺，并需要耗费大量的人力，检查纹理更加复杂的容器也会增加人工灯检的负担。　　本文根据相关企业的需求，以不透明玻璃瓶体为主的复杂纹理玻璃容器为对象，探讨了不透明玻璃容器内液体杂质检测方法:借鉴了透明玻璃容器内液体杂质检测的思路，提出并分析了复杂纹理玻璃容器内液体杂质检测问题，通过不同角度的实验验证了复杂纹理玻璃容器内液体杂质检测方法的可行性和有效性。本论文的主要工作与创新点包括以下几个方面:　　1、介绍了目标检测的研究现状，分别给出了透明玻璃容器内液体杂质检测和复杂纹理玻璃容器内液体杂质检测的研究状况，介绍了本文的前期工作基础以及本文拟解决的主要问题，并给出了本文的研究内容和基本结构。　　2、给出了基于区域的杂质检测。根据复杂纹理玻璃容器的特点，提出了一种基于纹理先验特征的区域生成方法。为了合并聚集在图像局部空间中的小区域，结合了选择性搜索或基于超像素的区域生成方法。在不排除过多包含杂质的生成区域的前提下，使用基于纹理先验特征和超像素的区域生成方法能够输出很少的生成区域，从而极大地减少了区域分类模型的计算量。　　3、设计了端到端的杂质检测。分离了灰度图像和差分图像的特征提取路径，分别将常用于语义分割任务的全卷积网络和U型网络扩展成孪生全卷积网络和孪生U型网络。相比全卷积网络和U型网络，孪生全卷积网络和孪生U型网络在杂质检测任务上的表现更好。与使用大规模数据训练并通过小数据微调的Faster R-CNN相比，使用小规模数据重新训练得到的孪生全卷积网络的检测结果接近前者的结果。　　4、提出了基于关联区域的杂质检测。提出了一种基于关联样本的数据增广方法，训练了关联区域分类模型，并在此基础上提出了基于分类-关联的集成杂质检测方法。为了验证基于关联样本的数据增广方法的有效性，分别将原有样本和用生成对抗网络(WGAN-GP)合成的新样本、对抗样本和关联样本结合来训练区域分类模型。实验结果表明，使用基于关联样本的数据增广方法能够进一步改善区域分类的表现，而使用基于分类-关联的集成杂质检测方法则能够在弱曝光情况下检测人眼也难以分辨的难例。　　5、提出了基于序列区域的杂质检测。针对运动杂质的特点，提出了一种基于图像特征和运动特征的空间注意力模型，构建了基于长时循环卷积网络的序列区域分类模型，并在此基础上提出了一种基于序列区域的集成杂质检测方法。实验结果表明，使用本章提出的检测方法能够得到比较理想的杂质检测效果，为复杂纹理玻璃容器内杂质检测的实际应用提供了可能性。