缺陷检测是指在产品图像中定位出缺陷的位置以及识别对应位置缺陷的类别。它是产品生产过程中至关重要的流程,有利于把控产品的质量与及时反映生产过程中存在的问题。复杂纹理图像缺陷检测存在背景复杂、背景图案与缺陷特征信息相近、小面积缺陷等问题,是工业视觉检测的一大难题。因此,对复杂纹理图像缺陷检测方法进行研究,具有一定的科研价值和实用价值。针对复杂纹理图像缺陷检测存在的问题,本文基于深度学习技术围绕缺陷检测算法及深度卷积神经网络轻量化两个关键问题展开研究,具体研究内容如下:（1）本文提出SA-RFB Net网络模型,用于复杂纹理图像缺陷检测。首先,为了解决产品图像背景图案复杂,缺陷特征提取困难的问题,SA-RFB Net采用非局部运算模块,用于捕获长距离依赖,从而增强网络模型的特征提取能力。其次,为了克服背景信息与缺陷特征信息难以区分的问题,SA-RFB Net采用聚焦损失作为分类损失,在训练过程中将训练重点聚焦于不易于分类的背景样本,并解决训练过程中的类不平衡问题。再次,针对小面积缺陷难以检测的问题,SA-RFB Net采用多尺度特征输出的方式实现多尺度缺陷检测,提升模型对于小面积缺陷的检测能力。（2）本文提出Light-SA-RFB Net网络模型,实现SA-RFB Net的压缩与加速。为了降低SA-RFB Net网络模型的参数量及计算量,本文提出Ghost-RFB模块及Ghost-SA模块,实现SA-RFB Net的轻量化。Light-SA-RFB Net属于轻量级网络,其在兼顾效率的同时满足检测性能,能够应用于实际工业场景。本文在复杂纹理图像缺陷数据集中进行了SA-RFB Net的消融实验及对比实验,并进行了SA-RFB Net轻量化的相关消融实验及对比实验,即Light-SA-RFB Net的相关轻量化实验。实验结果表明,SA-RFB Net能够精确定位出缺陷在复杂纹理图像中的位置并正确识别对应位置缺陷的类别。Light-SA-RFB Net在保持检测性能的同时进一步减少网络的计算量及参数量,使得缺陷检测更加智能化和便捷化。