随着智能制造领域的发展，基于机器视觉的工业品缺陷检测成为了重要的研究焦点。传统的工业品缺陷检测主要依靠人工检测，受到经验、人眼分辨能力和视觉疲劳等个体差异和主观因素的影响，具有稳定性差，消耗时间长等缺点。机器视觉技术为工业品缺陷检测提供了一种可行的解决方案，但不同的缺陷样品的缺陷具有不同的特征，很难找到一种普适性较强的算法，能够适应所有缺陷类型，满足检测的鲁棒性需求。　　本文以纽扣为研究对象，将表面缺陷分为色差缺陷和梯度缺陷两个类别，研究特征优选方法，解决特征向量有效性过低、冗余度过高的问题。对于色差缺陷，本文利用色彩空间分离和拉依达原则设计了特征筛选算法；对于梯度缺陷，本文基于变异数差模型，利用Hu矩、灰度共生矩构建优选的梯度缺陷特征向量。　　本文利用kNN和SVM方法构建色差缺陷和梯度缺陷判别预测模型。对于建立的特征向量，采用降维和规范化措施消除数值过大或过小对分类结果的不利影响。对于SVM模型，设计了核函数参数优化方案，实现了RBF核函数中C和?参数的自动优选机制。　　本文针对不同类别的梯度缺陷，研究了几何缺陷、纹理缺陷、结构缺陷与梯度特征的对应关系，给出了检测不同类别缺陷的有效特征。　　本文研制了缺陷识别模型训练和检测算法，并将检测算法移植到以DSP为处理核的智能相机中，能够达到95%的检测率，同时检测速度达到5帧/s。