在电力系统中,金属零件在开关电器中起着不可缺少的作用,为达到良好的开关效果,开关电器中的金属零件应该具有良好的电气性能。金属零件在车间生产过程中,因生产工具、零件磨损以及人工环境等不可抗力因素的影响导致零件产品表面存在划痕、变色、脏污、掉沫、杂质等瑕疵。金属零件表面出现瑕疵时会导致与接触元件接触面的电阻增大,从而导致接触部位发热,导致金属零件与接触元件粘连,严重的可能会使开关电器失灵,影响高压电器的质量及使用寿命。本文对开关电器中的某种金属零件采用机器视觉与机器学习的方法进行表面瑕疵检测与分类。针对所研究的某种金属零件产品的特点进行硬件平台的搭建,对硬件平台结构进行设计,对硬件产品进行选型,依据金属零件的实际尺寸与表面特点构建图像采集与照明系统,完成了对金属零件全景图像的采集,并编写软件对采集到的金属零件图片进行图像处理,软件可以实现对硬件的操控以及实时显示处理信息与结果,可以完成对某种金属零件裂纹、划痕、脏污、掉银等瑕疵的检测与分类。对金属零件图片进行基于形状的模板匹配与基于互相关的模板匹配,确定了采用基于互相关模板匹配的零件定位与检测方法,并通过对模板匹配方法的优化,提升检测效果。介绍图像分割的基本方法,以及对金属零件采集到的图像进行去噪操作,对比几种去噪方法的效果。介绍图像增强的方法,对金属零件图片进行图像增强并进行结果对比。针对金属零件出现的几种瑕疵,提出划区域分割的方法,针对不同瑕疵的特点选取不同的方法进行分割。介绍了图像的常见特征并对金属零件瑕疵区域进行特征提取,对提取到的高维特征设计特征选择算法进行特征优选,将选中的特征组建成供分类使用的特征向量。最后构建基于随机森林算法（Random Forest,RF）与支持向量机算法（Support Vector Machines,SVM）的金属零件表面瑕疵分类器,通过对比分析,基于随机森林算法的平均分类准确率为97.07%,基于SVM算法的平均分类准确率为85.31%,并且从运算时间上考虑,确定了采用随机森林算法对零件表面瑕疵进行分类。