镀锌板是以冷压薄板为原材料,在表面包上镀锌层,达到增加耐腐蚀性,延长钢板使用寿命的目的。表面质量缺陷是影响镀锌板质量的一个重要的因素,对镀锌板进行表面缺陷的检测是钢铁企业一直非常关注的内容。传统人工检测镀锌板的表面缺陷不能达到令人满意的效果,近年来,微电子,计算机技术,自动化技术的发展,机器学习、人工智能理论等的实用化,使镀锌板表面缺陷的质量检测问题有了新的思路。本文对围绕镀锌板表面质量检测,对表面缺陷识别与分类技术进行了深入研究,其主要的研究内容包括以下几个方面:（1）对镀锌板表面缺陷的类型、特点及成因作了简要分析,并选择其中三种常见的典型缺陷类型作为本文的识别分类对象,分别是洞形缺陷、条痕缺陷和纹路缺陷。（2）对缺陷特征提取和选择算法及缺陷分类原理算法作了深入研究,包括结合了最大信息压缩准则的ReliefF评估选择多维混合加权特征算法、BP神经网络算法和XGBoost算法。对三种算法的结构原理和优缺点作了介绍,并针对缺点作了相应改进。（3）利用ReliefF评估选择多维混合加权特征算法去除对分类不起作用的多余特征,结合最大信息压缩准则去除冗余特征,两次筛选后得到优化特征组合。接着分别采用BP神经网络和XGBoost算法设计分类器模型,对三种缺陷类型进行识别和分类。以镀锌钢板表面的三种典型缺陷作为实验对象,先是利用图像处理技术对缺陷图像进行灰度化变换、滤波、增强、缺陷分割和边缘检测等处理,得到了完整的可特征提取的二值图像。接着对其几何特征、纹理特征和灰度特征进行提取,通过结合了相关性准则的ReliefF算法进行特征选择和去冗余过程。最后,利用两种分类器分别做了镀锌钢板表面缺陷分类实验,取得了不错的实验效果,成功的实现了对镀锌板表面缺陷的识别和分类,具有很高的应用价值。