硅钢板主要用于制作各种发电机、电动机和变压器的铁芯,是发电、输变电、电机、电子和军事工业不可或缺的重要软磁性合金材料。由于硅钢板表面质量要求非常严格,微小缺陷的存在也会严重影响产品的性能,因此对硅钢板表面缺陷的检测要求比其他的冷轧板就更加严格,进而给检测系统提出了更大的挑战。高品质硅钢板的生产离不开有效的检测手段,严格的产品质量检测是控制生产流程、改善工艺设备和提高产品质量的可靠保障,因而各国钢铁企业都十分重视,不惜花费巨资改进检测技术、提高检测水平。本文从图像处理和目标检测的角度对目前硅钢板表面缺陷的检测与识别系统中存在的关键技术问题进行深入分析,并分别从图像滤波与显著提取技术、图像分割技术、特征提取与分类识别技术入手研究了解决问题的方法,并通过实验验证了方法的有效性。论文的主要研究内容及成果可归纳如下：(1)在表面微小缺陷检测的研究中,提出了一种显著凸活动轮廓模型(SCACM)的检测新方法,实现了在背景杂乱和噪声干扰问题下对硅钢板表面微小缺陷的检测。在该方法中,采用对称环绕凸显(symmetric surround saliency)的显著提取技术所获得的显著图可有效抑制杂乱背景,并增加感兴趣目标区域和杂乱背景的对比度,使得潜在的微小缺陷目标区域得以凸显。而通过对活动轮廓模型的研究,将显著图像特征融入到基于局部活动轮廓的凸能量最小化函数中,进而求解函数完成了对硅钢板表面微小缺陷的检测。为评估该检测方法的性能,选取了两种典型表面微小缺陷进行实验,并与其他方法的结果进行了对比。实验结果表明,SCACM方法不仅能有效地检测出表面微小缺陷目标,同时可降低错误检测个数,表现出了更好的检测性能。(2)从图像处理和目标识别的角度,分析了缺陷目标出现被油污所覆盖时所面临的检测困难,即杂乱背景的问题、油污干扰问题和反光的伪缺陷干扰问题,提出了基于显著线扫描形态学(SLSM)的缺陷检测方法。该方法引入了显著提取技术用来凸显潜在的缺陷目标区域,并获得显著图像,进而对显著图像进行滤波和全局二值化处理。并在此基础上,通过线扫描操作获得油污干扰区域,采用形态学边缘处理的方法有效去除油污边缘和反光伪缺陷边缘,最终获得表面缺陷目标。以擦裂缺陷、划伤缺陷和小缺陷等三种典型油污干扰下的表面缺陷图像为对象,对该方法的性能进行评估分析,并与其他方法进行对比实验。实验结果表明,SLSM方法不仅完全检测出了表面缺陷目标,验证了该方法对油污干扰下表面缺陷目标检测的有效性；同时,能够很好地去除油污边缘和反光伪缺陷边缘,与其他方法相比,该方法表现出更好的检测性能。(3)建立了硅钢板表面缺陷图像数据集NEU-Silicon用来检验特征提取方法对缺陷变形影响的稳定性。同时建立了一个样本个数和缺陷类别都相对较多的热轧板表面缺陷图像数据集NEU-Hot,数据集中相同类别缺陷外观存在较大差异,而不同类别的缺陷有着许多相似之处,因而NEU-Hot图像数据集比NEU-Silicon图像数据集更具挑战性,能够更全面的检验各特征提取方法的性能。(4)在缺陷图像特征研究方面,基于对傅里叶变换和小波变换等特征提取方法所存在的变形稳定性差问题的分析,引入了一种基于散射变换的深度卷积网络的特征提取方法。该方法通过小波变换和模运算迭代获得散射算子,进而通过卷积网络将散射系数组合获得缺陷特征,其对于变形具有平移不变性和Lipschitz连续性且能保留信号能量。为检验方法的性能,研究了散射卷积网络在硅钢板表面缺陷的特征提取实验中的应用,并使用NNC分类器在NEU-Silicon图像数据集取得了95.2%的平均分类精度。为进一步验证方法的广泛适用性,研究了散射卷积网络在NEU-Hot图像数据集上的应用情况,并分别使用NNC分类器和SVM得到了97.24%和98.60%的平均分类精度,进而验证了散射卷积网络方法的有效性,具有一定的应用推广价值。(5)针对局部二值模式(LBP)提取特征时编码策略对噪声比较敏感的问题,提出了邻域评估下的局部二值模式(AELBP)。鉴于邻域评估操作的通用性,进而将邻域评估操作分别集成到完整局部二值模式(CLBP)和局部三值模式(LTP)中,得到了邻域评估下的完整局部二值模式(AECLBP)和邻域评估下的局部三值模式(AELTP)。为了验证提出方法的通用性,将提出的AELBP、AECLBP和AELTP方法应用到纹理分类的实验中,并通过与当前其他方法的最好结果进行对比一步验证了对高斯噪声干扰的鲁棒性。同时为了检验方法的应用推广价值,将提出的方法在建立的NEU-Silicon和NEU-Hot图像数据集上进行了实验。实验结果表明,即使在高斯噪声干扰时,提出的AECLBP方法获得的平均分类精度都好于其他方法的结果,进而验证了AECLBP对噪声干扰具有较强的鲁棒性,也验证了AECLBP方法具有一定的在实际应用推广价值。