Die Erkennung ähnlicher und unbestimmter Defekte auf der Oberfläche von Solarzellen mit heterogener Textur und komplexem Hintergrund stellt eine Herausforderung in der Solarzellenfertigung dar. Der traditionelle Fertigungsprozess basiert auf der visuellen Überprüfung durch menschliches Auge, was eine große Anzahl von Arbeitnehmern erfordert und zu einem instabilen und mangelhaften Erkennungsergebnis führt. Um dieses Problem zu lösen, wird in dieser Arbeit eine visuelle Defekterkennungsmethode basierend auf einem multispектralen tiefen Faltungsneuralen Netzwerk (CNN) entwickelt. Zunächst wird ein ausgewähltes CNN-Modell erstellt. Durch die Anpassung der Tiefe und Breite des Modells wird der Einfluss der Modelltiefe und des Kerngrößen auf das Erkennungsergebnis evaluiert. Die optimale CNN-Modellstruktur wird ausgewählt. Anschließend werden die Lichtspektrenmerkmale von Farbbildern von Solarzellen analysiert. Es zeigt sich, dass verschiedene Defekte in verschiedenen Spektralbändern unterschiedliche, voneinander unterscheidbare Merkmale aufweisen. Daher wird ein multispektrales CNN-Modell konstruiert, um die Unterscheidungsfähigkeit des Modells bei der Abgrenzung zwischen komplexen Texturhintergrundmerkmalen und Defektmerkmalen zu verbessern. Schließlich zeigen einige experimentelle Ergebnisse und die K-fachige Kreuzvalidierung, dass das multispektrale tiefe CNN-Modell effektiv Oberflächendefekte von Solarzellen mit höherer Genauigkeit und größerer Anpassungsfähigkeit erkennen kann. Die Genauigkeit der Defekterkennung beträgt 94,30 %. Die Anwendung eines solchen Algorithmus kann die Effizienz der Solarzellenfertigung erhöhen und den Fertigungsprozess intelligenter gestalten.