随着深度学习的发展，工业生产制造环节的缺陷检测任务从人工质检向机器智能检测转变，解决了人力资源浪费和检测率低的问题，但面临着缺陷种类多、数据收集困难等问题。基于此提出了一种基于小样本深度学习算法的热轧带钢表面缺陷检测算法。方法充分利用特征提取网络的复用性，基于Mask　R-CNN网络使用跟踪文件分析器（trace　file　analyzer　collector,　TFA）技术快速扩展新类，使用数据增强方法扩展数据集进行第一阶段训练，使用余弦相似性微调进行第二阶段训练，在热轧带钢数据集上测试结果表明，在同SmAP值下，该方法所需数据量只有Mask　R-CNN的5%，对只有5～10张训练数据的缺陷类型能准确判断其缺陷，更能满足小样本检测任务。