机器视觉因其具有速度快、精度高、稳定性好等诸多优点,被广泛运用于产品缺陷的自动检测,并成为一个研究热点问题。本文针对纸尿裤表层结构的表面缺陷(外形缺陷、裂缝、污点、破洞、层叠),开展了相关机器视觉表面缺陷检测研究,并使用了机器学习方法(SVM)完成了缺陷分类。本文完成的主要工作如下:首先,对当前基于机器视觉的表面缺陷检测方法做了充足的调研。整理了几种具有代表性的检测方法,为本文的研究提供思路。其次,根据本文检测目标的实际特点,完成了实验平台系统的设计,并对所需硬件合理选型,搭建的实验平台能够很好地完成本文任务。再次,针对各种缺陷的特点提出了相应的检测方法,实现了各类缺陷的检测。本文结合MeanShift滤波的产品外形提取方法,完整的保留了目标的外形特征,并设计了适用于本文产品外形特点的最小外接矩形获取方法,简化了其获取过程。文中提出反向中心矩的概念,用于增强裂纹缺陷,取得了较好效果。本文提出一种基于正态分布置信区间的自适应阈值分割方法,大大提高了对污点缺陷和破洞缺陷检测稳定性和正确率。然后,使用本文的缺陷检测方法完成了对各类缺陷的检测实验,并对实验结果进行了分析。本文使用了三个指标(检出率、漏检率、误检率)评价检测效果,实验结果表明各类缺陷平均检出率为97.48%、平均漏检率为2.52%、平均误检率为1.12%。最后,利用“一对一”策略的SVM算法结合投票法实现了多缺陷的分类,并对分类实验结果进行了分析,提出了相应的改进思路。本文使用缺陷的长度、宽度、面积和对比度作为特征数据构成分类的特征向量,最终的实验结果表明,各类缺陷分类的平均正确率达90.62%。本文完成了纸尿裤表面缺陷机器视觉检测的理论探索,并获得了较好的缺陷检测效果。