目前我国数控机床在加工过程中的自动化程度并不高，而要实现数控机床加工过程中的无人化，自动上下料系统是必不可少的。在自动上下料系统中，工件的识别尤为重要，它能为机械手提供工件的有效空间位置信息。时间、精度和适应性是工件识别的三个重要参数。但是目前，针对自动上下料系统，工件识别的精度和适应性还不高。而图像去噪和边缘检测是影响工件识别精度和适应性的两个关键环节。因此，本文将重点研究工件识别中的图像去噪、边缘检测方法。一方面通过对比选择适合的滤噪方法，并在此基础上改进经典的算子来提高边缘检测的精度；另一方面通过引入神经网络算法来提高边缘检测对环境、对象的适应性。具体研究内容如下：　　根据工件图像识别的需求，构建整个工件识别的硬件、软件系统，为工件图像的去噪、边缘检测提供实验平台。　　在工件图像噪声去除方法的研究中,以含有噪声的工件图像为处理对象，在MATLAB平台上分别对四种去噪方法进行模拟。根据模拟效果及分析比较，得出了小波滤噪的效果更好的结论。　　在工件图像边缘检测方法的研究中，使用MATLAB分别对五种基于梯度算子的边缘检测方法进行模拟分析，得出这些方法并不适合工件图像。于是根据本文工件图像的特点及需求，提出了一种改进的边缘检测方法。改进的方法中用到了小波滤噪，将匹配模板从两个增加到了八个，并将数学形态学用在了边缘连接上。通过验证得出改进的方法能满足工件图像边缘检测的精度要求。　　为了提高边缘检测算法对不同环境、不同对象的适应性，将神经网络融入到边缘检测中。在研究中，使用MATLAB对基于神经网络的边缘检测方法进行了模拟分析，发现该方法虽然可以对不同的工件图像进行边缘检测，但是其运行时间过长、检测的精度不高。根据这些不足之处，对其进行了适当改进，改进的方法引入了动态窗口和平行计算的思想。通过验证得出在时间允许的情况下，改进方法的检测精度可以达到要求，这就说明该方法可以在不同环境下对不同工件图像进行有效的检测，即改进的方法在工件图像边缘检测中有较强的适应性。