随着钢铁、有色等金属材料行业竞争的日益激烈,用户对金属板带产品表面质量要求越来越严格。因此,板带产品表面缺陷分类尤为重要。目前,金属板带表面缺陷常见的分类方法多基于大量的人工标记样本,成本较高。工厂更加需要在无需大量标记样本的条件下,对金属板带表面缺陷进行识别分类。本文将针对这一需求展开研究,主要工作如下:（1）综述了金属板带产品表面缺陷识别的研究现状,分析了当前检测方法的不足,总结了常见金属板带表面缺陷的特点及成因,介绍了聚类分析的评价指标和人工神经网络的理论基础。（2）对于仅已知一张标记样本的条件下,使用词包方法设计了半监督聚类的方式,实现对表面缺陷的识别。在尺度不变特征变换（Scale-invariant Feature Transform,SIFT）、灰度直方图特征基础上提出融合特征作为词包。分别使用3种特征进行实验,实验结果表明在带钢表面缺陷图像数据集上,融合特征比单独用一种特征的识别效果好。（3）在无标记样本的条件下,对缺陷图像进行聚类分析,研究基于不同特征表示时的聚类效果。首先使用灰度直方图特征结合K-Means算法实现缺陷的聚类;再利用深度自编码器自主学习获取较好的图像特征表示;最后将卷积神经网络与深度自编码器结合,进而实现最佳特征表示的自主学习。实验表明改进的自编码器提取的特征表示具有最好的聚类效果。（4）使用深度嵌入式聚类（Deep Embedding for Clustering,DEC）的思想,实现特征空间与聚类算法的联合优化,据此提出了基于DEC的聚类网络。实验结果表明,该方法可以进一步提高聚类精度,但该方法的鲁棒性有限。针对这一问题,提出了一种新的自适应样本训练方法,该方法更符合人类学习方式。实验结果表明该训练方法有效地提高了基于DEC的聚类网络的鲁棒性,能够获得更准确的聚类效果。综上所述,本文的主要贡献包括:（1）提出了基于词包的半监督聚类方法,解决了仅已知一张标记样本条件下的缺陷识别;（2）提出了改进的自编码器网络,解决了无标记样本条件下的缺陷聚类;（3）提出了基于DEC的聚类网络,改进训练方式,完成了聚类精度与鲁棒性的进一步提高。