关于钢板表面质量的检测，目前钢铁企业通常采用落后的人工目视抽检和频闪光检测等方式。然而这些方式具有抽检率低、实时性差、检测的置信度低、检测环境恶劣等弊端，因此适时地开展钢板表面缺陷在线无损检测技术的研究工作，已成为国内外学者和自动检测设备供应商所共同关注的课题。而基于神经网络的人工智能识别系统正是目前国内外研究的热点之一，它以其大规模并行处理、分布式存储和学习能力等特点在模式识别、过程建模、控制、故障诊断等方面显示出独特的优越性。因此，神经网络在钢板的表面缺陷分类中有很好的应用前景。本文在对此领域国内外发展状况进行分析的基础上，从检测系统的设计出发，通过对各种缺陷图像处理方法的尝试，深入研究了钢板表面自动检测系统的相关理论和关键技术，将神经网络方法成功的应用到了钢板的缺陷识别中。本文的主要研究内容与成果如下： 1．系统的设计。通过对钢板表面质量检测系统的分析，建立了完整的硬件系统和软件流程；针对钢板的生产环境，对检测光源以及CCD摄像机的选取提出了相关的见解；根据钢板表面缺陷的特点，提出了图像的处理及识别流程。 2．图像的处理。针对中值滤波的缺点，采用了自适应均值滤波法，其引入了噪声检测，保留了图像的大部分细节，在保证速度的同时也提高了滤波的效果；本文将拉普拉斯算子引入到图像处理过程，提出了一种小波滤波法，其有效的将锐化和平滑融合在一起，增强了图像滤波的可调性；针对传统Canny算子的局限性对其进行了改进，考虑了像素的对角方向，将其引入到差分均值计算中，从而提高了边缘定位的准确度，且抑制了噪声，有效的提高了边缘检测的效果。 3．特征的提取。提出了一种改进的投影特征参量提取方法，证明了其在坐标系不同旋转角度下的适应性；另外引入了Hu不变矩和Zernike矩，并讨论了它们对噪声的适应性，二者满足缩放，平移和旋转上的几何不变性，对于复杂的钢板表面缺陷来说，这两种特征参量组成的复合不变矩特征能全面有效的表征缺陷图像的多阶特征信息，在一定程度上可以作为缺陷识别的重要依据。 4．缺陷的识别。针对传统BP算法的缺点，引入了动态调节学习率、基于非线性变换和奇异值分解的改进算法，并尝试将带新型混合算法的径向基函数神经网络(RBFNN)引入到钢板表面缺陷识别中。经过计算机模拟，实验表明带新型混合算法的RBFNN识别率高，识别速度快，更能满足钢板表面缺陷识别的要求，是一种行之有效的方法。