近年来,随着卫浴陶瓷行业对缺陷检测系统智能化程度要求的不断提高,对不规则表面上的微缺陷检测需求越来越大。传统的用于规则球面或具有漫反射性质的平面的检测方法难以满足使用要求,而基于深度学习的缺陷检测技术在复杂型面上仍然具有查准率高、泛化性强的特点,是当前高效获取表面缺陷的有效方法。本文以喷釉烧制后的卫浴陶瓷作为研究对象,采用深度学习与计算机视觉相结合的方法对表面微缺陷的检测进行研究。烧制后的卫浴陶瓷表面光滑易反光,且具有不规则的外部轮廓。存在于工件表面上的微缺陷与背景处的对比度不明显,增加了模型对缺陷区域的定位难度。此外,不同类型的缺陷通常具有相似的外部轮廓,较小的类间差异增加了模型对缺陷类型的区分难度。针对以上难点,本文围绕模型选取、缺陷检测框架的优化两个方面开展系统深入研究,主要研究工作和创新点如下:（1）以卫浴陶瓷表面微缺陷为研究对象,阐述了国内外关于缺陷检测的发展过程,选取了基于深度学习的缺陷检测模型作为主要解决方案,并对该方案做进一步的研究。（2）通过设计对比实验,重点围绕模型对表面微缺陷的检测性能展开研究,分析对比了较为常用的Faster R-CNN、YOLO-V3（You Only Look Once,YOLO）、SSD（Single Shot Multi Box Detector,SSD）3种目标检测框架。由实验结果知,Faster R-CNN对微缺陷的识别与定位的准确度均高于YOLO-V3以及SSD。（3）提出一种用于卫浴陶瓷表面微缺陷检测的优化方法。首先,根据表面缺陷的形态学特征,引入以BWP（Between-Within Proportion,BWP）为评价指标的K-Means算法来改进初始边界框的生成机制,以提高模型的定位精度;其次,在VGG16网络中引入特征融合机制,通过融合具有不同感受野的特征矩阵来提高模型对微小缺陷的识别精度。实验结果表明,在聚类中心数为3,生成初始边界框的基础尺寸为8,且对特征提取网络后两层特征进行融合时,改进后的模型具有最佳检测性能。与标准Faster R-CNN相比较,改进后模型的综合检测性能F-score提升了2%。（4）本文设计了一套卫浴陶瓷表面缺陷检测系统,详细介绍了运行软件所需要的硬件平台、系统运行逻辑以及各模块的功能流程。软件功能性验证的结果表明,卫浴陶瓷缺陷检测系统能够依照检测流程完成既定的任务目标。