La méthode dominante pour la détection des défauts de surface repose sur des approches basées sur des caractéristiques conçues manuellement. Toutefois, cette approche se révèle insuffisante lorsque les conditions d'acquisition des images varient. Dans ce travail, nous avons cherché à évaluer la performance de plusieurs réseaux de neurones convolutifs (CNN) d'avant-garde dans la tâche de détection des défauts de surface. En outre, nous proposons deux méthodes : CNN-Fusion, qui fusionne les prédictions de tous les réseaux pour obtenir une décision finale, et Auto-Classifier, une nouvelle approche qui améliore un réseau de neurones convolutifs en modifiant sa composante de classification à l’aide d’AutoML. Nous avons mené des expériences pour évaluer les méthodes proposées sur la tâche de détection des défauts de surface, en utilisant différentes bases de données issues du benchmark DAGM2007. Nos résultats montrent qu’un réseau de neurones convolutifs permet d’obtenir de meilleurs résultats que les méthodes traditionnelles, et que Auto-Classifier surpasse toutes les autres méthodes, atteignant une précision de 100 % et un AUC de 100 % sur l’ensemble des jeux de données.