基于二值化网络提出了轻量二值化钢铁缺陷分类网络(Lightweight　Binarized　Steel　Defect　Classification　Network,LBSDC-Net),以期实现实时高精度的钢铁缺陷自动分类.首先,基于可变阈值符号函数和组卷积的理念,设计了双阈值型组卷积模块,以在压缩网络模型的同时最小化二值组卷积引起的信息损失,将基础网络模型大小降低了31.2%,精度仅下降0.34%;其次,通过调整下采样卷积的步长并结合最大池化,降低了残差网络中捷径分支下采样时的信息损失,提升了网络的分类性能;在NEU-CLS钢铁缺陷数据集上的实验结果表明,网络模型大小为11.86　MBit时,LBSDC-Net网络在钢铁缺陷分类任务中准确率达到　99.06%.相较于基础网络Bi-Real-Net　98.73%的准确率和17.23　MBit的网络模型大小,LBSDC-Net实现了网络规模的有效压缩,还提升了分类精度.