我国是制造业世界第一大国,磁性材料的生产企业众多,但是对于磁材产品的质量检测技术相对落后,无法满足精准率与效率的要求。随着机器视觉技术的逐渐成熟,其高效率高精度的优点日益突出,利用其进行磁材外观缺陷检测成为可能。基于以上背景,本文对利用机器视觉技术实现小型磁环表面缺陷分类检测进行了研究。针对磁环表面缺陷微小难于发现的特点,采取显微镜头结合面阵CCD成像系统采集磁环图像,由于CCD获取的图像灰度不均匀且存在噪声干扰,本文首先研究了几种经典的灰度变换方法,采用了效果最佳的全局线性变换进行灰度处理;然后分析了常用的滤波降噪算法,并以峰值信噪比和归一化均方差作为评判标准,确定了平滑效果较好的高斯滤波为滤波方法。图像分割阶段,对常见的边缘检测算法和阈值分割算法进行了研究,在无法达到理想效果的情况下,提出了基于改进2D Gabor滤波器组的自适应阈值分割方法,首先使用4个尺度7个方向2D Gabor滤波器组对缺陷图像进行平滑处理,根据缺陷图像的灰度均值及方差构造自适应阈值进行分割,最后重构缺陷区域,并对其断裂部分进行连接恢复。实验证明,该方法可以有效的分割缺陷并抑制噪声干扰。针对磁环表面缺陷特征提取问题,本文提取了几何特征、灰度特征和纹理特征共34维特征,并通过Fisher判别法与PCA主成分分析对特征降维。首先选取Fisher比值较大的23维特征,随后采用PCA方法选择累计贡献率达到95%以上的10维特征向量训练和测试分类器。模式识别领域常用的分类算法有BP神经网络、SVM等,本文首先设计了BP神经网络分类模型用于磁环表面缺陷分类,在识别率不理想的情况下又设计了SVM分类模型,并通过几种常用的寻优算法对SVM参数进行寻优。实验证明,网格搜索法确定的参数使得SVM模型识别率最高,明显优于BP神经网络模型。