近年来,新能源产品大量涌入市场和日常生活,作为新能源动力的锂电池,在市场上的需求量和质量要求也越来越高。极片是用来传导锂电池电源的零件,在制造的过程需要完成涂布、辊压等工艺流程,并会产生一些缺陷,这些缺陷会影响锂电池的化学性能以及带来安全隐患。研究高效准确以及多场景适用的锂电池极片缺陷检测系统,可以及时检测缺陷信息,为改善工艺提供信息反馈,降低安全事故的发生和经济上的损失。传统的数字图像处理技术在面对多类别的复杂极片表面缺陷时,存在特征提取复杂和鲁棒性不强等问题。不同企业的生产线对锂电池极片表面缺陷有着不同检测需求,主要有:对缺陷进行分类和定位的定位级检测与对缺陷进行分类和具体轮廓提取的像素分割级检测。深度学习具有自动提取特征和泛化能力强等特点,在工业缺陷检测上被广泛应用。本文使用深度学习技术来设计了两种网络算法,以满足两种不同检测场景的需求,主要工作和研究成果如下:（1）针对极片表面缺陷的两种不同检测需求,提出基于深度学习的极片表面缺陷检测方法及流程,并为深度学习的检测研究构建了具有高质量标签信息的缺陷数据集。在构建缺陷数据集的过程中完成了数据增强、数据标注、数据集划分等工作。（2）针对定位级的检测,采用Yolo V3目标检测网络作为基础网络来实现极片表面缺陷的分类和定位检测。针对初始Yolo V3的检测结果存在定位不准、漏检等问题,首先采用权重迁移的思想,将Yolo V3网络在MS COCO数据集上训练好的权重参数迁移至本文中的网络,然后使用CIo U损失提高预测边界框的定位精度,以及在图像预处理上运用Mosaic数据增强,随机组合并增加缺陷样本的数量,提高网络的检测能力,实验结果表明,在结合这三种方法后,Yolo V3网络检测效果得到了较大的提升,可以对极片表面缺陷进行高效准确的定位检测。（3）针对像素分割级的检测,采用结构简单、设计思路明了的Unet语义分割网络来研究极片表面缺陷的分割检测。针对误分割问题和Unet网络结构的不足,先后进行了三个阶段的实验来提高分割精度和检测效果。首先采用可进行权重迁移的分类网络来替换Unet网络中编码结构;其次是提出一种简化版SFPN特征融合并加入Unet网络的跳跃连接上;最后是运用标签平滑来优化损失函数,提高网络的泛化能力。优化实验完成后再去除一些噪声轮廓和误分割的小缺陷轮廓,经实验结果表明,整体优化后的Unet网络在极片表面缺陷上具有不错的分割效果,能满足极片表面缺陷的分割检测需求。（4）在检测算法研究的基础上,进一步设计了相应的检测软件系统,同样针对两种检测场景在软件设计了两个算法的检测模块。经软件测试结果表明,软件系统操作简单,在很好完成缺陷定位分类和分割的基础上,还增加检测效果可视化,实现人机交互,还可以对检测数据进行保存,具有一定的可行性。