目前全球对高质量钢材需求日益增加,但是钢材在生产过程中由于多种因素会产生缺陷进而严重影响钢材质量。传统的人工缺陷检测方法和光电缺陷检测方法检测速度慢、自适应性不强。随着机器视觉的发展,基于卷积神经网络的深度学习方法在钢材缺陷检测的精度和速度方面已经有了很好的优势。在钢材生产现场,可以大量收集基类钢材缺陷样本,然而个别新类缺陷难以有效收集,或者只能获得少量缺陷样本,导致性能严重依赖于大规模数据的卷积神经网络对新类缺陷的检测能力下降。本文运用元学习理论与技术并基于卷积神经网络的元学习框架,结合钢材表面缺陷特征和小样本数据特征对钢材表面缺陷检测算法进行研究,针对现有元学习框架难以有效表征缺陷的整体特征和对类别信息的特征提取能力欠缺等问题,分别在查询分支和支撑分支进行改进,提升模型对于查询集和支撑集的信息提取能力,在保证模型基类缺陷检测精度的同时提高对新类缺陷的检测精度。其主要研究内容有以下几个方面:（1）本文提出了基于同尺度信息互补融合和深层类别信息表征的小样本钢材表面缺陷检测模型。针对现有元学习框架对于元特征的特征利用率不高的问题,首先对特征提取器不同深度的元特征进行可视化,然后通过级联方式利用相同尺度中的信息进行缺陷的位置和类别的检测。为了促进模型从支持集中提取鲁棒的类别信息并调整元特征不同层的关键信息,设计了具有全连接层的全局精细化的支撑分支模块,将类别的语义信息映射到支撑向量中,并通过元训练阶段提取不同的类别信息。实验结果表明,与其他单阶段的元学习模型对比,检测精度得到明显提升。（2）本文提出了基于多尺度语义增强表示和掩码类别信息映射的小样本钢材表面缺陷检测模型。首先,针对深层元特征对于浅层元特征指导能力不足的问题,设计了信息指导增强的多头检测器模块,通过提取语义信息的全局信息并通过全连接操作对细节信息进行更加精细的语义指导,同时通过密集连接保持元特征的细节信息。其次针对现有元学习框架的支撑分支难以有效提取出缺陷区域的语义信息,设计了通道类别表示模块,通过构建新的支撑分支,将支撑掩码图像对掩码区域的位置特征进行增强,更加精确的表示类别向量。最后设计了新的多尺度类边缘损失函数,增强了类别向量之间的差异性和模型对于类别的敏感度。实验结果表明,检测精度得到明显提升。（3）本文提出了轻量化查询分支的小样本钢材表面缺陷检测模型。针对现有元学习框架利用拥有大量参数的检测模型提取图像的深层特征,难以有效表征钢材缺陷细节特征的问题,设计了一个轻量化的查询分支。首先,通过卷积和池化进行下采样和单个残差块操作提升模型对于细节信息的提取能力,其次通过两个的残差块提取较为深层的信息。最后采用多尺度类边缘损失函数辅助支撑分支提取鲁棒的类别向量,在保持较少参数的模型轻量化情况下,实现支撑分支对类别特征向量的精确表征,实验结果表明,提升了模型对于类别信息的表征能力和检测精度。