带钢作为现代化工业发展进程中不可或缺的原材料,表面缺陷的存在极大地影响了带钢的使用性能和寿命。因此,研究一种能够有效检测带钢表面缺陷的方法是必要的。本文针对带钢表面样本数据不均衡、有监督检测算法依赖大量标注信息等问题,开展了缺陷检测算法研究,主要完成工作包括:(1)针对有监督检测算法依赖大量标注信息的问题,提出基于图像重构的无监督带钢表面缺陷检测方法。首先提出一种基于GAN的图像重构方法,实现样本完整重构。然后基于逐维反向学习的动态适应布谷鸟算法对OCSVM的参数组合进行优化,将重构误差作为输入训练OCSVM,实现对于带钢表面的异常检测。实验结果表明,提出的图像重构方法比AE和AAE重构误差更低,有更好的重构效果;采用提出的检测方法检测精准率、召回率以及F1-score分别达到97.3%、98.1%和97.7%,相比基于AE和AAE的缺陷检测方法检测性能更好。(2)针对带钢表面缺陷与非缺陷样本数据不均衡问题,提出一种基于数据增强的带钢表面缺陷检测方法。首先提出一种基于样本启发的DCGAN模型对缺陷数据进行增强,促使判别器具体化反例生成样本分布情况,为生成器提供有利的梯度更新,实现缺陷数据的增强。然后提出一种基于选择性内核和压缩激励的Dense Net网络模型,减少信息冗余,提升检测精度。实验结果表明,在带钢数据集上,提出的数据增强方法相比DCGAN、WGAN、LSGAN具有更好的增强性能;增强后的检测精度、召回率和F1-score分别提升3.2%、1.8%和2.5%;为带钢表面缺陷检测提供了新的解决思路。