近年来,随着大量经典的线性学习算法通过引入核函数实现非线性化以来,基于核的机器学习方法(简称核方法)取得了飞速发展,目前已成为机器学习领域的研究热点之一。带钢作为汽车、船舶、以及航空航天的重要原材料,其质量好坏直接影响到后续产品的质量和性能,因此将核方法应用到带钢表面检测具有重大意义。本文将核方法应用到带钢表面缺陷检测和分类的各个关键环节,并根据实验数据与传统的算法进行对比。本文研究内容与成果主要有以下几个方面:1.研究了带钢表面图像的迭代控制核回归图像去噪模型,并与传统去噪方法进行对比,实验结果表明,迭代控制核回归可以在去除噪声的同时较好的保留图像的细节信息。2.针对所提取的带钢缺陷图像几何、灰度、纹理等高维特征,运用主成分分析和Fisher判别分析以及对应的核方法进行特征降维,并通过可视化进行对比,实验结果表明基于核的Fisher判别分析降维后对数据具有很好的分类能力。3.针对带钢表面的黑斑、划痕、翘皮、磷化斑、褶皱五类典型缺陷,对比研究了BP神经网络、及其结合主成分(PCA-BP)和核主成分分析(KPCA-BP)在带钢表面缺陷图像中的识别和分类;提出了将KFDA算法应用到带钢表面缺陷的分类和识别中,完成了核函数的选取及核参数的优化;对比验证了其在带钢表面缺陷图像中识别分类的有效性、快速性和稳定性。