钢铁和有色金属材料是发展国民经济与国防建设的重要物质基础。受生产原料,生产工艺等因素的影响,金属材料表面易出现各种类型的缺陷。这些缺陷会不同程度地影响材料本身及其后续产品的机械性能,也是引起产品质量异议的主要因素。随着图像处理、机器学习等技术的发展,基于机器视觉的表面缺陷检测技术在钢铁、有色金属领域得到广泛的应用,有效提升了工业生产线质量检测的效率和准确率。但目前对复杂纹理背景的金属表面检测仍存在实时性差,检出率和分类准确率低的难题。本文深入研究了纹理背景下金属表面缺陷快速准确的检测和识别方法,针对复杂缺陷检出率低、背景纹理干扰性强、分布式缺陷分类准确率低等问题,提出了相应的缺陷区域提取、纹理背景抑制、缺陷识别方法,并应用于轧制钢材和铣削铝铸锭等两类典型金属材料,满足了现场准确、实时检测的需求。本文的主要研究内容与成果如下:（1）针对连续、快速生产线对表面缺陷检测算法高实时性的要求,开发了一种基于二值化赋范梯度BING的缺陷区域快速提取方法,并采用Scharr-L2对赋范梯度算子进行改进,提升了特征对缺陷和背景的辨识力。BING算法根据固定窗口尺寸下缺陷区域与均匀纹理背景赋范梯度的分布差异,提取高质量候选窗口;并对赋范梯度特征进行二进制逼近,采用位运算的加速技术大幅提升计算效率。实验结果表明:对于均匀的统计和结构纹理表面,BING算法提取的候选窗口数量比传统滑动窗口方法降低了两个数量级;在CPU上,BING算法在酸洗带钢和铝铸锭数据集上的训练时间小于10s,预测时间小于10ms。（2）针对不均匀结构纹理表面缺陷形态复杂,不同类别显著性差异大等问题,提出了一种基于掩膜梯度响应的迭代阈值分割方法MGRTS,通过将MGRTS与高斯差分DoG及提出的相似区域融合方法相结合,实现缺陷区域的提取。MGRTS通过将上一次分割结果作为掩膜,迭代地从梯度图像中分割出具有不同显著性的缺陷;DoG利用尺度空间实现大尺寸缺陷的分割;相似区域融合方法通过灰度分布描述子完成离散区域的合并。实验结果表明:基于MGRTS、DoG和相似区域融合的缺陷提取方法显著提升了铣削铝铸锭表面细长形裂纹、轻微划痕、分布式麻点夹渣等缺陷的检测效果,缺陷整体召回率达到了 99.3%。（3）针对复杂结构纹理表面纹理分布不均匀,纹理基元尺寸和灰度易发生突变和干扰性强的问题,提出了基于小波引导的相对全变分纹理背景抑制方法WRTV,以提高复杂结构纹理表面缺陷提取的精度。该方法利用小波多分辨率分解来分析细节子图与纹理尺寸的关系,从而挖掘尺度参数自适应的先验规则,缓解原始RTV方法参数选择困难的问题。实验结果表明:WRTV方法能够有效抑制铣削纹理背景的干扰,突出缺陷的显著性,使得MGRTS方法的缺陷提取精度提升了 28.9%;由于降低了图像分辨率和RTV的尺度因子,WRTV的时间成本由原始RTV的367.6ms降低到104ms。（4）针对WRTV方法比较耗时,且小尺寸缺陷对尺度参数敏感的问题,提出了基于膨胀卷积的全分辨率纹理去除网络DCFRTR。采用WRTV进行半自动标注,生成纹理抑制后的目标图像。用包含SSIM、感知损失、图像梯度的多项式损失函数训练DCFRTR。DCFRTR中的膨胀卷积块结构有利于网络在图像的全分辨率上聚合远程上下文信息,保留空间细节。多项式损失有助于网络加强对缺陷区域和难以抑制的纹理区域的关注。实验结果表明:DCFRTR既能有效抑制铣削铝铸锭表面的大尺寸纹理,也能突出微小缺陷,平均耗时为19.3ms。经过缺陷分割和定位后,DCFRTR的MIOU和F1得分分别比其他纹理抑制网络高出2.2%～10.2%和4.3%～9.2%。（5）针对现有缺陷分类方法忽略了缺陷区域的空间关系,造成分布式缺陷或相似缺陷分类效果不佳的问题,提出了卷积神经网络CNN与图注意力网络GAT相结合的缺陷分类方法。该方法首先引入了双模式输入的CNN模型提取缺陷图像的高级特征,然后根据缺陷区域之间的位置关系建立图结构数据,最后利用改进的基于相对位置编码的图注意力网络RP-GAT实现缺陷节点之间的信息聚合和各节点特征的表示更新。实验结果表明:RP-GAT综合利用了缺陷的视觉特征和空间位置关系,在酸洗带钢和铝铸锭数据集上的分类准确率分别达到了 99.61%和99.46%,相比于CNN方法分别提升了1.21%和 1.64%。