随着生产力的不断提高，人们生活水平的不断改善，人们对制造行业的要求也越来越高。钢铁作为造船、航天航空及日常生活用品不可缺少的原材料，其质量要求必然更严格。由于现有生产设备和技术的局限，我们的钢铁产品质量和生产能力远远不能满足需求；在钢铁生产线上，钢铁产品的生产过程由于不能实时有效监控其表面质量，部分缺陷产品在出厂前不能被检测出来，这样的缺陷产品流入市场将会对企业造成巨大的经济损失。同时在钢铁生产实际应用中，有一定的概率出现新的缺陷类别，新类别的出现对传统分类模型的识别精度带来一定的影响。本文提出了基于机器视觉对生产线实行监控，通过高速工业相机实时抓取图像，对获取的图像进行快速检测和预处理，分割出缺陷区域，然后对该目标图像二值化，定位缺陷位置，对目标图像及其二值图像提取相应的特征属性对该缺陷进行描述，利用训练出的分类模型进行缺陷类别的判定，这样可以大大的提高生产效率，也有效的降低了劳动强度。同时本文使用的基于最小生成树的一类分类算法是一种利用覆盖模型的可拒绝一类分类算法，用于识别可能出现的新缺陷类别，将最小生成树与支持向量机分类算法相结合而得到的多类分类算法可以有效的分离出新的类别，从而提高了多类分类器的分类精度。实验结果表明，本文设计的多类分类算法有较好的分类性能。