随着中国经济的高速发展,人们对于高品质热镀锌板的需求不断增加,然而表面缺陷会严重影响产品的外观和性能,因此对热镀锌板进行高速、准确的在线表面缺陷检测相当重要。当前热镀锌板表面缺陷检测仍以人工检测为主,不仅效率低,而且漏检率高,研究并开发高效的热镀锌板表面缺陷检测设备与系统已经成为钢铁企业共同关注的一个焦点。而在诸多检测方法中,机器视觉方法是目前的主流方案,其中硬件部分采用电荷耦合器件相机阵列已基本达成共识,主要对软件部分的表面缺陷检测算法进行改进。在整理了诸多传统基于候选区域的目标检测算法和经典基于回归方法的目标检测算法后,本文提出两种基于深度学习的热镀锌板表面缺陷检测算法,分别考虑在不同条件下实现高精确度的在线检测。主要贡献如下:全面介绍了深度学习理论的相关概念,明确层的概念,分别详细介绍了卷积层、池化层、全连接层的运算方法和设计理念,对层间的链接关系进行了阐述,其后解析了模型非线性表达能力的来源,阐释了网络设计的最优化方法和策略。考虑在较高计算力设备上,从三个方面对经典基于回归方法的目标检测算法进行改进并分析了热镀锌板表面缺陷数据集特点,从而设计出针对热镀锌板表面检测精度和速度并重的G-SSD算法。首先,设计一种对图像进行带重叠区域的过分割数据增强方法,提高小尺寸目标的相对占比,从而提升小目标检测能力;其次,在基网络部分使用深度可分离卷积实现加速;最后,改进其训练策略,增加训练复杂度的同时进一步使网络模型稀疏化,增强其泛化能力。在较低计算力设备上设计了另一模型,通过将第四通道也即空间信息通道的输入信息附加到网络的输出层,借助于类激活图算法实现可视化和辅助的人工重新检查。总体上可以通过一个分类网络作为基网络,设计出G-Mobile Net模型来实现目标检测和定位能力,这改变了传统设计目标检测算法的常规思路,从网络整体结构上加快了检测速度并且大大减少参数数量。通过比较不同参数值情况下的实验结果,确定了基于热镀锌板表面缺陷数据集的适合实际生产情况的网络结构和参数。