本文致力于设计一种基于深度学习多类型表面缺陷视觉检测系统，因此本文针对多类型表面缺陷检测的三大难题分别提出了解决方法，并且通过设计完整的缺陷检测系统证明了方案的可行性。（1）构建一个能高效生成完整多类型表面缺陷数据集的方法。目前效果优选、最有前景的数据生成方法是通过生成对抗网络生成数据，因此可以通过生成对抗网络的方法生成大量的多类型表面缺陷图片，从而满足训练一个高精度多类型表面缺陷检测模型的数据量要求。（2）构建一个检测精度高、检测性能快的检测器。目前有很多目标检测模型用于工业检测中，其中YOLOv4模型以高精度、高性能得到了广泛的使用。本文对YOLOv4模型进行改进提升，从而得到更高检测精度的表面缺陷检测模型。（3）构建一个方便、快速更新检测模型的方法。通过模型迁移的方法可以在一个原有检测模型的基础上快速得到一个新的检测模型，可以满足多类型表面缺陷检测模型可扩展、可更新、易维护的需求。本文设计了一种新的模型迁移方法，可以更高效地对模型进行更新，并且保持高检测精度。