汽车车身是由许多钣金拼焊而成,车身的焊接质量是保障其它零件正常安装的基础。因为车身的螺母螺栓以及焊点多,在钣金组焊时会出现多种不同种类焊接缺陷,若这些缺陷不及时发现和处理则会对后面整车装配乃至安全造成严重影响,所以做好钣金组焊缺陷检测对提高汽车车身整体焊接质量有着重要作用。现今,大多数制造企业的检测是依靠检测人员目测或者使用模板匹配的方法对产品进行检测。人工目视检测受人员的技能水平以及工作状态影响较大,而且难以形成客观的检测记录,而常规的机器视觉检测对环境要求太高,所以本文针对人工检测与常规机器视觉缺陷检测不足的问题,开发了一套基于卷积神经网络的智能检测系统。首先通过电阻焊工艺参数优化实验、缺陷样本分析,建立了卷积神经网络训练必备的数据样本,数据样本由不合格零件样本与合格零件样本组成,不合格零件样本包括不同缺陷的钣金组焊图片,如焊点漏焊、位置偏差、虚焊,螺栓错焊等;合格零件样本则是在适合的焊接参数、正确的操作情况下获得的零件图片。其次搭建并优化卷积神经网络（Convolutional Network layers）,针对于此零件的特定检测环境,通过单因素实验法对神经网络的超参数如:学习率Learning rate、Droup out、输入图片尺寸（像素）Picture size、卷积网络层数（Convolutional Network layers）等进行了优化调整并做对比实验。实验证明优化后的训练模型环境适应能力更强,具有较好的鲁棒性,在数据样本有限的情况下获得最好的测试正确率为99%,所以将卷积神经网络用于钣金组焊检测是可行的。最后基于卷积神经网络搭建了智能检测系统（GUI）界面,软件包括检测模块、神经网络训练模块、人工标定模块,使得数据样本的标定、神经网络训练与参数设定以及检测都能通过软件界面实现。经测试,使用该软件训练的神经网络模型检测精度能与实验时保持一致,且平均检测时间为0.05s/张,即每秒检测20张图片,可以实现在线检测。