钢材表面缺陷的检测质量直接影响工业生产安全性和机器性能质量,现实工厂钢材质量把控受限于设备条件,在实现高精度强实时的检测效果仍面临着挑战.为了解决这一问题,提出一种多尺度融合的轻量级YOLOv8n检测算法.首先引入一种结合HGnetv2　与RepConv的轻量级多尺度融合主干网络(RepHGnetv2),提高Backbone的特征提取能力与泛化能力同时降低了模型的复杂度;在Head部分,利用ADown下采样模块替换原算法的普通卷积(Conv),降低计算量并提高语义保留能力;最后将原算法的Loss函数替换为SlideLoss,改善样本之间不平衡的问题.在NEU-DET数据集上进行消融与对比实验,改进算法与原算法相比,mAP@0.5　提升　6.7%,Precision提升9.3%,模型大小下降　25.5%,计算量下降了　17.2%,FPS也有一定的提升;并在VOC2012　数据集上进行了通用性对比实验,实验结果表明改进算法可以有效提高缺陷检测精度与效率,同时具有较好的通用性.