钢铁已经成为汽车制作、机械化工、船舶制造、军事国防等工业必须的原材料。但是由于落后的轧制设备、以及不发达的工艺技术等诸多原因,使得钢铁表面容易产生辊印、粘结、压痕、折皱、划伤、氧化色等不同种类的缺陷,直接影响了钢铁的外观和质量,因此务必提高钢铁表面缺陷的检测水平。本课题主要在检测设备的非人工性、图像处理方法、实时和分时系统的结合、分类识别几方面做了深入的研究。这有利于提高检测水平,保证产品质量,从而提高我国钢材的市场竞争力。具体研究内容如下：从钢材表面缺陷的检测系统出发,首先,提出了基于线阵CCD上下表面扫描的钢板表面缺陷检测系统方案,利用图像处理算法对所采集的缺陷图像进行降噪和锐化处理,使有用特征区域从背景中分离出来,为后续特征提取提供方便。其次,研究了遗传算法相关知识,并结合特征向量的特点,利用遗传算法设计特征提取方法。在保留明显特征的前提下,进行图像的特征集优化,降低缺陷特征维数,以提高后续机器学习算法的性能。最后,深入研究BP神经网络算法在缺陷检测方向的应用,提出了相关的改进方法,利用改进的BP神经网络算法设计分类器,并通过实验证明该方法的有效性,且识别率达到90%以上。