在枪弹外观缺陷检测领域，人工检测方法在测量精度、效率、实时性方面不能满足生产需要，因此，论文提出基于信息融合及图像处理技术的智能检测方法，该方法具有精度高、速度快、生产成本低的优点，有广阔发展前景。论文以多源信息融合为架构，综合运用多种图像处理技术，对枪弹的多种外观特征进行了分析和提取，并分别从数据层和决策层的数据融合角度进行研究和实验，最终构造出决策模型，得到了枪弹外观的智能检测方法。论文的主要研究内容有：(1)提取枪弹图像特征。针对枪弹外观图像中缺陷不明显、伴随噪声的特点，采用了直方图均衡化与平滑滤波对枪弹图像进行预处理，突出了图像中斑痕缺陷的边缘，并降低了噪声影响；设计了一种基于数学形态学的边缘检测算法，对枪弹图像进行图像分割。针对枪弹图像中斑痕、划痕的具体特征，专门构造的多元结构元素，以得到完整、清晰的轮廓图像；最后利用灰度直方图获取全局特征，通过基于区域标记的面积测量法获取局部面积特征，并通过邻接像素标记法计算局部周长特征，然后又采用灰度共生矩阵法来获取局部纹理特征。（2）进行了数据层融合。针对多源异类信息无法进行统一计算的问题，提出了16-归并方法和兴趣信息优先排列方法，将灰度分布特征从256维降低到5维，并使得其数据形式和其他特征保持一致；针对样本集属性过于庞大、冗余的问题，采用了基于一致性准则的属性约简算法对特征值数据进行处理。在不明显降低分类能力的情况下降低了属性维度。（3）构建决策层融合模型。论文提出了基于支持向量机方法的枪弹外观智能分类模型，并针对训练时间会根据样本数目增加，形成维数灾难的问题，提出了一种改进的支持向量机序列最小优化算法，该算法能明显降低训练时间。论文将信息融合算法成功的应用于枪弹的外观检测领域，分类正确率达到了95.6%，在分类精度上与人工检测差距甚微。因此，鉴于在效率、成本、稳定性等方面的优异表现，算法有着比较高的优越性和适用性。