机器视觉涉及到众多学科知识，研究的问题极富挑战性，其应用也十分广泛，因此它一直是计算机科学中的一门热门学科。而识别、分类作为视觉系统的中的一个重要环节，关系到整个系统运行的快速性、精确性，而这两个方面在工业在线检测中最受关注。因此，分类器的设计方案直接关系到整个视觉系统的运行的效率、效果，具有很高的研究价值。本文着重研究的是运用自组织特征映射神经网络(简称：SOM)和K-均值聚类算法设计带钢缺陷检测系统的分类器。SOM网络是将多维数据映射到低维规则网格中，可以有效的进行大规模的数据挖掘，其特点是速度快，但是分类的精度不高。在本系统中用于完成拥有大量训练样本的前期训练工作。K-均值聚类算法，是一种通过不断迭代调整聚类质心的算法，其特点是精度高，主要用于中小数据集的分类，但是聚类速度比较慢，在本系统中，此算法用来对SOM神经网络的竞争层神经元进行分类。本文中分类器设计的主要思想是：综合前期SOM神经网络的快速性、后期K-均值聚类算法精确性，对带钢缺陷进行实时、精确的识别和分类。试验结果表明：此分类器有着SOM神经网络缺少的精确性，K-均值聚类算法缺少的快速性满足了工业在线检测系统对实时性、精确性的要求。在带钢缺陷检测系统中，SOM神经网络是做前期分类，K-均值聚类算法做后期分类。这也是本文的创新点。结果表明：采用SOM神经网络和K-均值聚类算法联合构造的分类器分类、识别速度快，精确度高，能够满足该检测系统的实时性、精确性的要求，具有一定的推广价值。本课题的程序主要是在VC++6.0的环境下用C++编写、运行。