在现代工业自动化中，随着高精度、高速度、高质量要求的不断攀升，微型轴承辊子的作用愈发突出。各类机电设备对其的依赖性日趋加剧而微型轴承辊子作为重要零件，微型轴承辊子的质量对设备的精度、运动性能、使用寿命等都有至关重要的影响。由实验统计表明：在轴承的失效形式中，由于轴承辊子表面的缺陷而引起的裂纹、裂缝造成的轴承失效达65％。因此，必须对轴承辊子质量进行严格检测，尤其是对裂纹、裂缝的检测。 本文的主要研究内容是研发一种面向企业应用于微型轴承辊子表面缺陷的检测系统，是基于神经网络的图象识别技术，人工神经网络类似于生物神经系统，是以神经细胞为基本运算单元(即人工神经元)组成的一种非线性自适应动力学系统。通过利用合理的学习算法进行训练，神经网络对事物和环境具有很强的自学习、自适应和自组织能力。将神经网络应用于微型轴承辊子检测的优点是可以通过对系统进行训练来捕获轴承辊子表面缺陷的复杂分类条件，而缺点在于网络必须经过广泛的结构调整和样本训练才能获得好的效果。 本文介绍了神经网络的基本原理和主要特征，针对轴承辊子检测领域的特殊性，通过理论分析和大量实验获得了一个较为有效的神经网络结构；对待测图像进行预处理，提高检测率；引入学习率来加快BP神经网络的训练速度。最终，提出了一个经过改进的基于神经网络的轴承辊子检测系统。