机械零件分类识别是机器视觉在机械工业领域的一个重要的应用,它对机械制造过程中的零件装配、分拣、检测等环节实现自动化有着非常积极的意义。在工业现场,经常会因为拍摄位置、角度和距离的变化而导致零件图像发生几何变形如尺度缩放、旋转、平移和仿射变形等,造成零件特征描述困难,针对这一问题,本文提取零件图像的不变矩作为其分类识别的特征,提取的不变矩特征能在图像发生缩放、旋转、平移和仿射变形的情况下保持不变。同时,考虑到传统分类识别方法学习效率低、容易出现“过学习”现象等问题,本文采用一种新的机器学习方法支持向量机(简称SVM)来实现机械零件的分类识别。本文所做主要工作如下:　　(1)针对机械零件图像模糊、含有噪声和特征信息不突出等问题,采用直方图均衡化、中值滤波和图像二值化等图像预处理方法对其进行预处理,通过预处理,有效消除了零件图像中存在的干扰信息,极大地改善了图像的质量。　　(2)为了使零件图像的特征在具有旋转、平移、缩放不变性的同时具有仿射不变性,提取机械零件图像的HU不变矩和仿射不变矩的组合矩作为其分类识别的特征,有效解决了因图像变形而导致的特征不稳定的问题。并通过对比实验验证了零件图像的HU不变矩和仿射不变矩的不变性和不变矩方法的可行性。　　(3)为了得到更高的分类准确率,利用遗传算法、网格搜索法、粒子群优化算法对支持向量机 RBF核函数的核参数和惩罚因子两个参数进行参数优化,得到优化后的参数组合。为了实现SVM的多分类功能,通过有向无环图算法构建了机械零件的支持向量机多类分类器并实现了零件的分类识别。通过实验结果的对比发现,优化后的核参数相比随机选取的核参数具有更高的分类准确率,其中,粒子群优化算法获得的核参数具有最高的分类准确率。