针对深度学习算法检测钢材表面缺陷时，结构信息减少导致检测精度低的问题，提出一种特征融合和级联检测网络的Faster R-CNN钢材表面缺陷检测算法。首先利用主干网络提取特征图，通过融合特征图的方式，达到减少结构信息丢失的目的；进一步将生成的特征图输入RPN网络生成区域建议框；最后利用检测网络对区域建议框进行分类与回归，通过级联2个检测网络，实现精确检测结果的目标。对模型进行对比性实验分析，找出检测精度最优的算法模型。在NEU-DET数据集上对提出的算法进行了检验，主干网络采用VGG-16比采用Resnet-50的检测精度提高了2.40%；通过融合特征，检测精度提高了11.86%；通过检测网络的级联，检测精度提高了2.37%.通过对算法模型的不断改进和优化，检测精度达到了98.29%.与传统的钢材表面检测方法相比，改进算法能够更准确地检测出钢材表面缺陷的种类和位置，提升对钢材表面缺陷的检测精度。