在全球能源危机问题日益严重、环境污染加剧的情况下,提高可再生清洁能源比重迫在眉睫。太阳能具有永不枯竭、安全稳定等优点,是新能源开发的首选。在太阳光照射的条件下,利用半导体材料的光生伏特效应,可将太阳能转换为电能。结晶硅具有较高的光照吸收率,是目前最常用的制作太阳能电池的半导体材料之一。由于晶硅片生产工艺复杂,在制备过程中,有几率生成存在缺陷的晶硅片。因此,必须对生产线上的晶硅片进行实时缺陷检测,避免含有瑕疵的晶硅片流入后续生产环节。机器视觉作为是人工智能的一个重要分支,通过使用视觉采集、处理设备代替人工检测,可大幅降低生产成本并显著提高生产效率。在深入研究晶硅片生产制备过程中存在的主要问题的前提下,本文基于机器视觉缺陷检测技术,使用高清工业相机采集大量晶硅片的缺陷图像样本,建立晶硅片的缺陷数据集,分析晶硅片各类缺陷的特点,运用机器视觉的图像滤波、增强、分割等预处理算法,提取晶硅片缺陷样本的特征向量,基于改进的支持向量机（Support Vector Machine,SVM）算法对晶硅片数据集进行缺陷分类,搭建了晶硅片实时检测系统。主要研究成果如下:首先,对晶硅片缺陷检测系统进行总体框架设计:分析晶硅片生产工艺特点,确立视觉采集系统的光源、相机、镜头等硬件选型,建立晶硅片缺陷检测的总体框架。其次,设计一种基于机器视觉的晶硅片缺陷检测算法:建立包含良品及缺陷晶硅片的样本数据集,分析生产过程中晶硅片的缺陷特征,基于马尔可夫随机场（Markov Random Field,MRF）图像分割理论和双边滤波算法对样本图片进行预处理操作,获取晶硅片缺陷特征向量,采用改进的支持向量机（SVM）对晶硅片样本数据进行分类。最后,搭建晶硅片缺陷检测系统实验平台。验证本文设计的基于支持向量机（SVM）的缺陷晶硅片检测算法。实验结果表明,基于序列最小优化（Sequential Minimal Optimization,SMO）改进的SVM缺陷算法可高效检测并分类晶硅片样本数据集,检测准确率达到98%以上,能够满足晶硅片实时缺陷检测需求。该论文有图43幅,表10个,参考文献83篇。