针对传统焊缝缺陷检测方法在处理大量工业数据时存在识别效率和准确率低的问题，提出一种基于卷积神经网络的轻量级焊缝缺陷识别算法。该算法在原MobileNetV3基础上引入fire模块以减小参数量，并结合通道注意力(ECA)模块增强特征通道学习能力，从而优化计算资源分配并提升特征提取性能。为验证所提算法的有效性，将其与常见分类模型算法在焊缝缺陷测试数据集上进行对比实验。结果表明：相比于其他分类模型算法，所提算法在fire模块的轻量化设计和ECA模块的特征增强双重作用下，对工业场景中常见的凹陷、孔洞、毛刺等缺陷的平均识别准确率达98.50%，较原算法显著提升。同时，改进的MobileNetv3算法在保持较高识别准确率的情况下，模型参数量和浮点运算量显著降低，使其适合部署在计算资源有限的工业检测设备上。本文研究为智能制造领域的实时质量检测提供了切实可行的解决方案。