作为钢铁工业的主要产品之一，冷轧带钢已成为汽车、机械制造、化工、航空航天和造船等行业不可缺少的原材料，其表面质量的优劣将直接影响其最终产品的性能和质量。在冷轧带钢制造过程中，由于连铸钢坯、轧制设备、加工工艺等多方面的原因，导致带钢表面出现裂纹、氧化皮、结疤、辊印、刮伤、孔洞、针眼、鳞皮、表皮分层、麻点等不同类型的缺陷，这些缺陷不仅影响产品的外观，更严重的是降低了产品的抗腐蚀性、耐磨性和疲劳强度等性能。通过提取冷轧带钢缺陷图像特征，采用模式识别方法进行模式识别，可以很好的实现冷轧带钢表面质量的智能化诊断，为提高带钢表面质量提供可行的解决方案。 本课题结合小波变换和遗传算法进行模式识别，通过该方法能够获得类别可分离性很好的特征向量。该方法在小波变换提取的L1范数特征的基础上，用遗传算法进行网络训练，能够获得类别可分离性很好的L1范数二次统计特征向量；然后，利用快速FCM方法来对冷轧带钢表面缺陷图像进行模式识别。 本文采用上述方法对上海宝钢益昌薄板有限公司经常出现的四类冷轧带钢缺陷图像：边缘锯齿、焊缝、夹杂、抬头纹进行识别研究。对总共120幅冷轧带钢缺陷图像的识别实验表明，当采用5训练样本时，其平均识别率能够达到85.825％，而当训练样本增加到10个时，该分类器平均识别率达到了93.35％。实验表明，将小波变换和遗传算法相结合的识别方法具有自动、快速、自适应的优点，能克服传统识别方法中由于样本选择而产生的局限性，提高了识别的正确率。 本文全部研究工作是基于自行开发的冷轧带钢缺陷图像模式识别软件完成的。该软件为冷轧带钢缺陷智能化诊断的进一步研究奠定了坚实的基础。