摘要：建筑墙面缺陷检测是保障建筑安全与维护城市风貌的重要技术环节，传统人工巡检方式存在效率低、主观性强等局限。随着深度学习技术的发展，基于视觉的智能检测方法逐步成为主流研究方向。Faster R-CNN作为经典目标检测框架，在复杂场景应用中面临特征提取能力不足、小目标漏检率高等挑战。针对建筑墙面裂纹、剥落等缺陷的形态多样性和环境复杂性，本研究提出改进型网络架构。通过优化数据增强策略增强模型泛化能力，改进特征金字塔网络强化多尺度特征融合，引入动态聚类算法优化锚框生成机制。结合ROIAlign池化操作提升特征定位精度，并在主干网络嵌入注意力模块强化缺陷区域特征权重。实验验证表明，改进后的算法在复杂建筑表面缺陷检测中展现出更优性能。