缺陷检测是工业生产中重要的环节。传统的缺陷检测方法依靠人眼检测,高成本和较高的误检率导致其不能广泛用于大规模的工业检测。基于机器视觉的缺陷检测方法具有准确度高、检测速度快、自动化程度较高和成本低等优点,逐渐替代了传统的缺陷检测方法。目前的深度模型需要大量的训练数据,而缺陷数据的采集比较困难、语义特征信息不足。鉴于此,本文提出基于深度学习的算法模型,通过对缺陷进行语义信息补偿再完成缺陷检测的方法,从而解决缺陷样本少且每类样本间数量相差较大的问题。本文在经典深度模型Faster R-CNN的基础上,提出了基于缺陷候选区域关系补偿的缺陷检测方法与基于深度随机链的缺陷检测方法,在一定程度上解决了缺陷样本少和每类样本间数量相差较大的问题。基于缺陷候选区域关系补偿的缺陷检测方法注重通过相似缺陷之间的关系来进行信息补偿,将相似缺陷间的共性信息与差异性信息补偿到每个缺陷之中,来增加模型对该类缺陷的泛化型,改善模型在缺陷的小数据集上的表现。基于深度随机链的缺陷检测方法注重学习每一个缺陷内部像素之间的联系,为每一个缺陷增加大量的语义特征,在解决缺陷数量少的同时,也减弱了缺陷类间数量的巨大差距对检测结果的影响。最后,本文采用了铁轨枕木缺陷数据集和风机齿轮缺陷数据集来验证所提出的算法。铁轨枕木缺陷数据集数量较少、类间数量相差较大;风机齿轮缺陷数据集数量较少、类间数量相差较小。实验结果显示本文所提出的基于缺陷候选区域关系补偿的缺陷检测方法与基于深度随机链的缺陷检测方法,相较于当前经典的深度学习模型的缺陷检测方法,检测精度得到了有效提升。