随着信息显示技术的不断发展,越来越多的显示屏制造厂商开始投入资金批量生产OLED显示屏。为了防止不理想的OLED产品流入市场,需要检测OLED显示屏面板上是否存在缺陷。目前,专业质检人员的人眼检测为主要的缺陷检测模式。这种模式需要较高的人力成本,而且不同的质检人员针对同一面板的检测结果常常不一致。为了满足工厂大规模生产的需求,研究出相应的自动缺陷检测算法,让机器视觉代替人眼检测已成为一个紧迫的任务。OLED显示屏在制作过程中主要会存在点缺陷、线缺陷和面缺陷(Mura缺陷)这三类缺陷。本文根据三类缺陷的各自不同特点,分别提出了各类缺陷的检测和分类方法,改进了相关的已有算法。本文主要的研究内容及贡献如下:(1)基于面板图像自身的周期性,提出了一种邻域差分算法。该算法能够有效地抑制背景纹理的干扰并提取出点类缺陷。该方法有效地解决了已有算法对小缺陷不敏感而产生的漏检问题。(2)在邻域差分算法的基础上进一步提出了一种投影线的方法。该方法能够准确地提取线类缺陷,有效地改进了已有算法的检测精度。(3)提出了基于缺陷增强及曲面拟合的背景重构方法,可以重构得到“无缺陷”的背景图像。通过计算背景图像与增强后图像的残差以及根据残差是否满足Mura缺陷的定量化特征,从中筛选出真正的缺陷。该算法可以在背景不均匀的情况下提取出微弱的Mura缺陷,并达到较高的准确率。(4)设计了基于迁移学习的分类方法对Mura缺陷进行分类。该方法可以用较少的训练样本完成模型的建立。实验表明该方法的准确率较高,可以应用于实际的工业生产。本文的方法已经在试验中被大量实际数据所验证,展示了很好的效果。