智能制造和工业 4.0 的持续推进使生产线自动化水平显著提升，但质量检测仍面临效率低、准确率不足、适应性差等问题。针对传统基于规则和人工视觉方法的局限，本文提出一种基于深度学习的工业自动化质量检测系统，结合卷积神经网络（CNN）与迁移学习，实现对产品缺陷的高效识别。系统引入多尺度输入与注意力机制模块，以增强对微小及复杂缺陷的检测能力，并在真实生产数据集上进行了对比验证。实验结果表明，该系统在准确率、召回率和实时性方面均优于主流算法，具备较强的工程适用性。最后，本文探讨了系统部署关键要点及未来优化方向。