在钢铁连铸坯内部缺陷检测评级中,由于环境限制及自身反光,采集的钢坯图像中普遍存在光照不均匀现象,主要表现为图像灰度的局部过亮或过暗。而缺陷分割提取与图像灰度有关,灰度的不均匀影响缺陷分割结果,造成评级的误判。故有必要对钢坯的光照问题进行处理,提高图像质量,方便缺陷提取,为后面的评级做准备。本文主要研究钢坯图像的去光照问题及中心偏析这类缺陷的自动评级。首先,本文从光照不均匀图像的分类出发,重点对包含高光特征的钢坯图像缺陷分割不完整问题进行缺陷特征和光照分布的描述;采用经典的去光照算法对光照不均图像进行处理,从主观和客观评价两方面对结果分析,归纳总结适合每一类型的去光照方法。其次,针对具有高光特征的钢坯图像去光照问题,提出基于Phong模型的背景模拟法。该方法通过建立光照物理反射几何模型,给出具体的背景光照模拟方案,利用背景减除法得到去光照的钢坯图像,应用阈值分割的方法,缺陷目标很容易就被分割出来,目标分割完整,减小了光照对图像的影响,并从主观和客观评价两个方面对去光照的钢坯图像进行分析。最后,为了对中心偏析这类缺陷进行评级,提出基于BP神经网络的方法。该方法根据偏析缺陷评级标准的描述,采用基于中心包络线的缺陷特征向量作为神经网路的输入矢量,根据缺陷评判等级对网络输出进行二进制编码设计,设置合理的网络参数并对样本进行训练和偏析的评级,实验结果表明,该方法能够准确可靠的对偏析进行自动评级。