工件表面质量的严格检验一直以来都是工件生产过程中不可或缺的一个环节,在实际生产过程中,表面缺陷检测仍多借助于传统人工目视检测方法,但是该方法存在检测率低、成本高和速度慢等缺点。因此,为了获得良好表面质量的工件产品,需要对表面缺陷进行高效、高精度的检测和识别。近几年来,计算机技术的迅速发展使得深度学习在工业检测上的应用越来越多,企业希望通过该技术,对自动化产线上的工件产品进行质量检测,并且逐渐替代人工目视检测,本文针对工件表面质量检测的需求,提出了基于深度学习的工件表面缺陷检测算法,论文的主要研究内容如下:首先,铣床加工的金属表面工件存在缺陷区域与背景分离不明显的特点,传统缺陷检测算法存在局限性,针对传统缺陷检测算法的缺点,提出了基于全卷积神经网络与形态学滤波算法应用于工件表面缺陷检测,该算法结合了形态学滤波的开闭运算,减少了局部噪声,填补内部细小孔洞,优化了经过全卷积神经网络初次分割后的图像,有效的实现缺陷检测。其次,在检测工件表面是否存在缺陷之后,为了便于后续的加工处理,需要对缺陷类型进行分类,在研究卷积神经网络方法的基础上,提出了改进的卷积神经网络,用来解决传统卷积神经网络用于工件表面缺陷分类时,准确率不高的问题。再次,针对已有的工件表面缺陷分类算法准确率较低的问题,提出一种基于卷积神经网络的多级联分类器决策级融合算法,该算法对第三层全连接层特征和方向梯度直方图与局部二值模式提取的第二层全连接层特征同时训练多个级联分类器,将全部级联分类器的输出结果拟合到目标类别的后验概率,并使用决策权重执行决策级融合,使用决策级融合后的结果作为新的缺陷分类结果。最后,设计了工件表面缺陷检测系统用于验证所提出算法的有效性,结果表明:所设计的系统能够完成工件表面缺陷检测要求,所提出的算法能够有效的检测工件表面缺陷。