表面缺陷检测是产品制造过程中质量保证的重要技术手段。通过图像处理和图像采集等技术,可以检测出产品表面的裂纹、划痕和黑点等缺陷。而本文以涂装产品作为研究对象,并结合显著性检测方法以及机器学习手段,提出了一种相对更加智能的表面缺陷检测方法。涂装产品是通过焊接工艺将钢丝拼成网状结构,并喷涂树脂材料使之达到防锈的目的。涂装产品在生产工艺的过程中会产生两类缺陷,即异物类缺陷和形变类缺陷,二者的本质区别在于前者的尺寸通常小于后者。涂装产品缺陷检测问题的难点在于其表面为三维圆柱结构,成像之后的材料表面亮度不均匀,且异物类缺陷尺寸与零件尺寸比例约为1/10000。针对形变类缺陷,考虑到此类缺陷对于模板图像依赖较强以及尺寸较大,本文采用基于全局图像配准的算法对其进行检测。而对于异物类缺陷,由于此类缺陷尺寸较小且形状、位置等具有随机性,因此,本文提出了基于自差影的显著性算法进行检测。通过该算法可以将源图像中的真实缺陷检测和标记出来,同时,检测结果中不可避免的会存在部分伪缺陷,因此,为了能够检测到真实缺陷需要对真伪缺陷进行分类。为了提升真伪缺陷分类的准确率,在对真伪缺陷进行分类之前,需要通过特征描述方法对图像进行特征提取,目的在于对原始图像进行数据降维。本文阐述了3种特征描述方法,即基于灰度共生矩阵的特征描述方法、基于Hu不变矩的特征描述方法和基于灰度直方图的特征描述方法,它们分别提取了图像的纹理、形状和灰度特征,并通过实验比较了不同特征的检测效果。为了选择合适的模型,本文首先分析了支持向量机模型在表面缺陷检测中的应用,然后结合缺陷检测中含有真实缺陷的样本图像收集难度大而无缺陷的样本图像收集容易等特点,因此,采用了一类支持向量机对真伪缺陷分类。在模型的训练过程中只需学习无缺陷产品图像就能够获取真伪缺陷的识别模型,从而克服了监督学习方法的不足。为了分析和验证本算法的性能以及有效性,本文通过实验分析了一类支持向量机模型、K-means算法和支持向量机模型三种模型的检测效果,实验结果说明前者的整体准确率要高于其他两种模型。其次,研究了一类支持向量机模型的不同的参变量对于缺陷识别效果的作用。最后,本文通过完整的产品图像从整体和局部两个方面测试算法的检测效果,实验结果表明该算法的整体检测效果较好。