随着国家经济的快速发展,钢材产品需要的不仅是数量,更重要的是质量。目前钢厂从硫印检验质量过度到冷酸蚀检验,方法上已经有了很大的提高,不足之处是目前大多数钢厂仍然采取人工评级模式评定冷酸蚀图像,这样评级结果太过于依赖人的判断而且实时性不高,因此研究自动评级系统迫在眉睫。本文在明确课题背景及其意义后充分研究了国内外模式识别的研究现状及神经网络的研究现状,并根据研究现状分析了课题研究上的难点和重点,确定了铸坯冷酸蚀图像由于其复杂性会采用非线性分类器。在充分了解和掌握人工评定铸坯冷酸蚀图像的基础上,对铸坯图像进行特征提取确定特征空间,从现场提取的一万多张图片中精选了典型的铸坯图像作为样本空间后,根据贝叶斯分类器的思想,基于统计的方法,用人工经验的方法对铸坯图像进行了分类器的设计。基于人工经验的分类器规则十分复杂,不利于分类器性能提高,明确人工神经网络在进行非线性分类器设计的优势后,建立了铸坯冷酸蚀图像的神经网络数学模型。确定了BP神经网络的输入输出及隐含层神经元的个数,神经网络的激活函数采用S函数,并进行网络仿真训练得出基于BP神经网络的分类器。传统BP网络算法并不适用于铸坯图像分类器的设计,因此提出了改进的分类器设计,改进的有三个方向,分别是算法、特征空间、网络结构。对常用的BP算法进行仿真训练得出最适合铸坯图像处理的算法是弹性梯度下降法。针对用BP神经网络进行训练不收敛的问题,提出人工评级有误的可能性,修正人工评级后,网络达到收敛,分类器的性能有所提高。采用主分量的方法对特征空间进行优化,分类器的性能和准确率都大大提高。最后,用径向基网络采用优化后的特征空间设计的分类器,大大提高了训练样本的识别正确率。