随着钢铁行业的日益发展和市场对钢材的质量要求逐渐提高,钢板表面缺陷检测技术成为了关键。其中,钢板表面缺陷检测系统的重点是缺陷识别,而缺陷的正确分类是缺陷识别中的一个重要环节。因为现有的钢板表面缺陷分类模型大都以理想化为主,不足以满足钢材表面缺陷的实际情况。且非平衡缺陷数据会影响分类器的分类性能。为此,本文对钢板表面缺陷的分类模型进行了研究,主要内容如下:（1）为了使分类模型满足钢板表面缺陷的实际情况,本文提出了一种基于专家样本和粗分样本的孪生支持向量机（TSVM based on expert and rough samples,ER-TSVMs）分类模型。一方面,ER-TSVMs模型分别使用专家样本和粗分样本进行训练,符合工业的实际生产情况,具有一定的适用性。另一方面,ERTSVMs引入了基于K-近邻方法（K-nearest neighbors,KNNs）获得的高斯权重信息。实验结果表明,该模型能够抑制噪声对分类模型的不利影响,且获得了较高的分类精度,具有一定的可靠性。（2）为了解决非平衡缺陷数据分类的问题,构建了一种改进的ER-TSVMs模型（Improved ER-TSVMs,IER-TSVMs）。首先,考虑到二叉树结构中存在的数据量不平衡问题,提出一种策略。该策略的核心是将“1vs1”结构嵌套进每一个二叉树子模型,使每一子模型中构建多个IER-TSVM二分类器。这样不但解决了样本数量不平衡的问题,同时还降低了时间成本。另外,在IER-TSVMs模型中引入样本的类内离散度信息,调节因分散或聚集造成的样本分布不平衡问题。通过实验证明了该算法不但能够解决非平衡缺陷数据分类的问题、提高钢板表面缺陷数据的分类精度,还能提高运算效率。（3）针对模型中超参数的问题,本文提出了IER-TSVMs-SPBO参数选择方法。采用新型的学生心理学优化算法（Student Psychology Based Optimization,SPBO）与IER-TSVMs模型相结合,并对IER-TSVMs模型中的惩罚参数和核函数参数进行寻优选择。结果显示,该方法不仅能快速选择到最优参数,还能获得最优的分类精度。