La détection de défauts similaires et indéterminés sur la surface des cellules solaires, caractérisée par une texture hétérogène et un arrière-plan complexe, représente un défi majeur dans la fabrication des cellules solaires. Le processus de fabrication traditionnel repose sur la détection visuelle par l'œil humain, ce qui nécessite un grand nombre d'ouvriers sans garantir une détection stable et de qualité. Pour résoudre ce problème, cet article propose une méthode de détection visuelle des défauts basée sur un réseau neuronal convolutif profond (CNN) multi-spectral. Tout d'abord, un modèle CNN sélectionné est établi. En ajustant la profondeur et la largeur du modèle, l'influence de la profondeur du modèle et de la taille du noyau sur le résultat de reconnaissance est évaluée. La structure optimale du modèle CNN est choisie. Ensuite, les caractéristiques spectrales lumineuses des images couleur des cellules solaires sont analysées. Il est constaté que divers défauts présentent des caractéristiques distinctes différentes selon les bandes spectrales. Ainsi, un modèle CNN multi-spectral est construit pour améliorer la capacité du modèle à distinguer les caractéristiques de fond texturé complexes des caractéristiques de défauts. Enfin, certains résultats expérimentaux et une validation croisée K-fold montrent que le modèle CNN profond multi-spectral peut détecter efficacement les défauts de surface des cellules solaires avec une précision plus élevée et une meilleure adaptabilité. La précision de la reconnaissance des défauts atteint 94,30 %. L'application d'un tel algorithme peut augmenter l'efficacité de la fabrication des cellules solaires et rendre le processus de fabrication plus intelligent.