电池在生产过程中其外壳（包括正极壳和负极壳）有可能会产生缺陷，如划痕、凹点、锈斑、光板、漏液和网点不全等缺陷。研究电池表面缺陷的视觉检测算法和研制适合我国电池生产线的电池表面质量的自动检测系统有着重要的理论意义和应用价值。本文对扣式电池表面缺陷的在线检测理论与算法进行了研究。　　 论文主要做了以下几方面的研究工作:　　 (1)为了突出电池的型号、标志和缺陷等有用的纹理信息，论文完成了对原始电池图像的图像转化、图像滤波和图像分割等预处理工作。　　 (2)提出了一种基于有效边缘点的Hough变换和NMI特征的快速图像配准方法。该方法实现了一种基于有效边缘点的Hough变换轮廓提取算法，并结合NMI特征确定电池正极壳上的“十”字区域，完成图像配准。保证了图像配准的准确性和实时性。　　 (3)针对电池表面图像中的目标和背景的特点，分别提出了不同的缺陷分割方法。设计了一种了基于形态学的电池正极壳表面划痕检测算法。应用形态学方法消除电池表面的细小物体、字符和标志上的孔洞以及字符对划痕提取的影响。提出了BDCM方法(BatteryDefectCurveletModel)，建立多个尺度的不同位置、不同方向、多个相邻尺度的同位置、同方向的不同维数的系数模型，提取了用来描述电池表面的正极凹点、正极面锈斑、正极光板和正极漏液、负极凹点、负极划痕、负极面锈斑和负极网点等缺陷的有效低维特征。　　 (4)建立了一个结构灵活的椭圆基神经网络(FEBFNN)。并提出NGGC方法和NMS方法建立FEBFNN的神经元几何增长函数模型，动态确定隐层神经元数和输出层神经元数;并在NMS和NGGC基础上，建立快速的OPDFL神经网络学习机制，分别实现了对电池正极壳表面缺陷和负极壳表面缺陷的快速和准确分类。实验表明，每个电池表面缺陷检测的平均时间为0.175s，满足了电池表面在线检测的实时性要求。同时，缺陷识别率可以达到95％以上。　　 (5)设计了适合于本文算法的电池表面缺陷的自动视觉检测系统的硬件总体结构方案。设计了全自动电池表面缺陷检测的主程序流程、电池表面缺陷识别算法的软件流程、电池正极表面和负极表面缺陷识别算法的软件流程。　　 最后对全文进行了总结，并对下一步的研究工作进行了展望。