【摘要】在制造业质量管控的全链条中，产品表面缺陷检测是不可或缺的关键环节。 针对传统表面缺陷检测技术在动态制造场景下面临模型适应性不足与灾难性遗忘的问题，本文提出一种基于样本重放的少样本表面缺陷检测模型（ＳＥ⁃ＳＤＤ）。 该模型通过特 征重加权增强类别区分能力，结合自适应机制抑制背景干扰并优化目标域特征，并引入样本重放与缓冲区更新策略以平衡新旧知识。 实验以铝材缺陷数据为初始任务，东北大学热轧带钢表面缺陷数据库（ＮＥＵ）与德国模式识别学会数据集（ＤＡＧＭ）作为连续性任务进行验证。 结果表明，ＳＥ⁃ＳＤＤ在多个任务中平均精度均值（ｍＡＰ）达到０.２７１，显著优于对比方法，并在持续学习过程中表现出更低的 灾难性遗忘程度，验证了该方法在动态工业环境下的适应性与稳定性。