带钢在钢铁工业中占有极其重要的地位,它不仅在汽车、家电等人们生活所需要的产品中得到广泛运用,而且是军事、造船、航空航天等行业的重要原材料,其表面质量直接影响最终产品的质量和性能。进行带钢表面质量在线检测研究不仅具有重要的理论创新意义,而且具有重大的工程应用价值。缺陷图像的模式识别是带钢表面缺陷检测的关键,而特征提取是模式识别中最为重要的步骤。特征提取极大地影响着分类器的设计和性能,假设对不同类别所提取的特征差别很大,那就比较容易设计出具有较好性能的分类器。但是由于带钢表面缺陷种类较多、且每类缺陷又会呈现出多样性,致使不容易找到那些最重要的特征,即可分离性高的特征。这就使得特征提取的任务复杂化而成为构造模式识别系统最困难的任务之一。本文所研究的内容和成果如下：(1)首先总结了带钢表面缺陷检测领域常用的特征提取方法,并实验提取了几何形状特征、灰度直方图统计特征、小波变换特征、灰度共生矩阵特征、矩特征等常用特征,分析了各图像特征的优缺点,并重点指出了直方图统计特征不能描述图像本质特征和矩特征在类间所呈现的不变性等应用在带钢表面缺陷检测领域的不足。(2)基于对以上两种灰度类特征的分析,给出了基于哺乳动物视觉特性的脉冲耦合神经网络(PCNN)模型的特征提取方法。该方法利用PCNN模型的动态脉冲发放特性和神经元捕获点火特性提取出4维脉冲输出序列特征和2维点火时间信号特征。这些特征充分表达了邻域像素的灰度分布及其空间位置关系,而且具有很好的不变性。实验表明,该方法提取的特征具有很好的可分离性,有效的提高了识别率。(3)为了更全面的描述图像特征,往往需要将各种特征组合到一起来更全面的描述缺陷信息。但经组合后的特征维数较高,为了进一步提高识别效率和满足实时性要求,本文提出一种基于ReliefF的快速特征降维算法。该方法利用ReliefF算法进行特征评估去除与分类不相关特征,并采用相关系数消除特征间的冗余,选择出一组对分类贡献较优的特征来描述缺陷信息。这样能够快速达到特征降维的目的,保留有区分能力的特征,既可以解决由于特征过多引起的缺陷实时识别过慢的缺点,也可以解决由于缺陷特征过杂引起的识别率下降等问题。采用本文提出的方法对采集的边缘锯齿、焊缝、夹杂、抬头纹、锈斑和划痕六大类缺陷共1523个样本进行了分类识别研究。实验表明,缺陷图像的识别率达到94.15%。