随着生活水平的提高和生产力的发展，人们对产品质量提出了更高的要求。影响医疗设备质量的很重要因素在其表面钢板的质量。因此钢板表面缺陷检测对于提高医疗设备的质量具有非常重要的作用。传统的人工检测的方法不能得到令人满意的检测结果，因此研究和开发钢板表面缺陷检测系统已经成为医疗设备设产企业的共识。 本文对钢板表面缺陷检测系统中的图象处理及识别技术进行了深入的研究，探讨了针对钢板表面缺陷图象特点所应采取的策略，提出了定位分割钢板表面缺陷的方案以及后续的缺陷特征提取、选择及识别方法，成功地实现了钢板表面孔洞缺陷的实时检测，其主要工作包括以下几个方面： 1．提出利用VFW进行视频采集卡二次开发的方案及具体实施方法，实现了钢板表面图像的实时采集。 2．通过对图像预处理的方法进行了分析，提出了一种改进的中值滤波算法，使图像得到增强的同时，更降低了算法的复杂性，使运行效率得到有效的提高。 3．通过对图像表面缺陷特征的分析，提出一种基于差影图的缺陷检测算法，并在此基础上提出缺陷分割算法。 4．深入研究缺陷图像的特征量提取技术，分别从形态、灰度和纹理三方面进行特征提取，实验证明这些特征量对缺陷的分类非常有效。 5．讨论了神经网络分类技术，通过对比RBF与BP两种神经网络，最终采用RBF神经网络网络构建了系统的分类器。通过实验证明该分类方法可以有效的识别本文所研究的冷轧钢板表面缺陷类型，识别率达到90％。 在缺陷检测与识别中，采用图像处理与神经网络相结合，是一种比较新的方法，它拥有其他方法所不具有的优点，检测精度、效率都较高。并且在以后的生产实践中，这种方法可以根据需要进行相应的扩展。