带钢作为国民经济发展的重要物资,广泛应用于汽车制造、国防装备、航空航天等众多领域。然而在带钢生产过程中,由于受到原材料以及生产工艺等诸多因素的影响,带钢表面往往会出现各种缺陷。这些缺陷对带钢的美观和使用性能都产生很大的影响,甚至会造成严重的经济损失。因此对带钢表面缺陷进行识别,提升带钢产品质量具有重要的意义。目前基于机器视觉技术的带钢表面缺陷识别方法被广泛研究,但在识别精度和泛化性能上还无法满足用户的需求。本文围绕带钢表面缺陷识别问题,借助机器视觉技术,从图像预处理和图像分割、特征提取与特征选择、缺陷分类识别三个环节对带钢表面缺陷识别方法展开研究,旨在提出一种精度高、稳定性强、泛化能力强的识别算法。本文的主要工作内容如下:（1）在图像预处理和图像分割环节中,首先针对图像光照不均和噪声问题研究了几种常用的图像预处理方法,通过实验对比,确定选择高低帽变换法进行灰度校正、双边滤波法进行图像滤波。随后采用不同边缘检测算法进行图像分割,发现Prewitt算子效果良好。最后针对图像分割后残留的一些伪目标和噪声问题,使用形态学操作进行再处理。（2）在缺陷特征提取与特征选择环节中,首先从几何特征、灰度特征、纹理特征多个角度进行特征提取。随后针对特征冗余导致后续计算效率低的问题,本文提出一种基于改进蜉蝣算法（Mayfly Algorithm,MA）和邻域粗糙集（Neighborhood Rough Set,NRS）的特征选择算法（MARSR）。通过对蜉蝣位置进行二元编码,以改进蜉蝣算法作为搜索策略寻找全局最优位置,进而得到最优特征子集。为进一步加快收敛速度,算法在位移二元映射时,先使用原始Sigmoid函数进行映射,当满足设定的切换条件时,再使用修正Sigmoid函数进行映射。同时为了防止数值型特征离散化导致信息丢失,算法建立基于邻域粗糙集的适应度函数作为评价准则。通过实验结果证明,本文所提算法具有较强的泛化能力、较快的收敛速度和较高的特征约简率。（3）在缺陷分类识别环节中,本文选取宽度学习系统（Broad Learning System,BLS）作为分类器。针对传统宽度学习系统采用岭回归的方式计算输出权重,无法解决隐含层节点数目的不确定性带来的分类准确率不稳定性的问题,本文提出一种基于自适应动量优化算法（Adaptive and Momentum Optimization Method,Ada MMd）的宽度学习系统（BLS-Ada MMd）。通过构造连续可微的损失函数,使用自适应动量优化算法进行梯度迭代更新,寻找损失函数最小值,进而得到最优输出权重。为避免算法收敛时出现极端学习率问题,自适应动量优化算法中引入学习率平滑和约束策略,对学习率进行限制,并改变动量一阶矩的计算方法以加快算法收敛速度。随后本文为进一步提高BLS-Ada MMd算法的性能,引入集成学习Adaboost算法,以BLS-Ada MMd为弱分类器构建Adaboost-BLS-Ada MMd强分类器。通过实验分析,验证了两种分类器在泛化性能、分类能力和预测结果稳定性上的优越性。（4）为方便用户使用,本文通过集成带钢表面缺陷识别的各环节算法,设计制作了带钢表面缺陷识别系统。系统主要包括六大功能模块,分别是用户登录模块、文件管理模块、图像处理模块、特征提取模块、特征选择模块、分类识别模块。通过对各个模块进行测试验证了系统设计与实现的可行性。