热轧钢板在现实生活中的应用非常广泛,热轧钢板表面出现缺陷不仅影响产品质量、降低产品安全性能且影响企业的整体效益。因此生产过程中对热轧钢板表面缺陷进行细化检测,巡检出有缺陷钢板,及时调整生产线工艺,可以有效地提高热轧钢板的质量和生产效率。本文在查阅国内外相关文献的基础上,着重研究了卷积神经网络分类模型,并将它应用到热轧钢板表面缺陷识别分类系统中。本文的主要研究内容是无缺陷图像的快速筛选和缺陷图像的分类方法,构建了基于智能优化算法的改进卷积神经网络的热轧钢板表面缺陷分类模型,并用实验验证了所构建分类模型的合理性。（1）针对钢板生产过程中海量的无缺陷图像,本文采取了梯度图像投影法对无缺陷图像进行筛选。首先使用高斯滤波消除图像表面噪声,进而根据缺陷图像和无缺陷图像梯度（幅值）的差异,通过实验计算图像的梯度投影阈值。利用阈值筛选出无缺陷图像,从而降低了后期工作量,也提高了检测速度。（2）针对热轧钢板缺陷图像的分类问题,引入了经典的CNN模型。详细介绍了CNN的三大特点、基本结构和训练过程。讨论了CNN的优缺点,并针对CNN超参数选择困难的问题,引入了智能优化算法,解决了CNN模型中的超参数设置问题。（3）提出了一种新型蝴蝶优化算法（DOLBOA）。通过引入动态反向学习策略得到了高质量的初始种群,以此提高算法后期的寻优效率;自适应Lévy飞行机制的引入增加了算法迭代前期的搜索多样性;全局最优与最差个体更新机制进一步提高了局部搜索能力;三种策略的引入提高了蝴蝶算法的全局搜索能力和搜索多样性。典型函数的仿真测试结果表明改进后的蝴蝶优化算法具有更快的收敛速度与更高的精度。（4）建立了热轧钢板表面缺陷图像分类模型DOLBOA-CNN。首先通过使用去均值与归一化对图像进行预处理。其次,针对DOLBOA-CNN结构中的超参数设置,通过智能优化算法的寻优得到合适的模型超参数,优化了模型结构,最终建立了热轧钢板表面缺陷图像分类模型,并对DOLBOA-CNN分类模型做出评估与验证。验证结果表明,DOLBOA-CNN算法在热轧钢板表面缺陷图像分类研究中具有较高分类精度和可靠性。