产品表面质量检测是机器视觉及自动视觉检测领域的一个重要研究方向，无论在理论还是实际应用中都有着重要的研究和应用价值。本文针对纹理表面质量检测问题，从以下四个方面进行了深入研究:(1)视觉检测成像系统分析与设计;(2)纹理表面缺陷检测;(3)颜色成像与表示;(4)纹理表面颜色分类检测。　　成像系统是视觉检测的硬件基础，选择合理的成像策略可简化检测和分类问题，提高整个检测系统的可靠性。本文从理论上对视觉检测系统成像问题进行了探讨，分析了成像物体中感兴趣最高空间频率、检测系统MTF截止频率以及采样频率三者之间的关系。研究了光源辉度、物体辉度和图像传感器照度之间的关系，CCD相机成像模型以及CCD相机噪声源。然后，从工程应用角度讨论了照明技术、镜头参数、CCD相机类型以及图像采集卡选取准则等问题。最后针对一典型检测问题给出了实例分析。　　在缺陷检测中，鉴于缺陷难于预见，并难以用参数进行定量描述，从而对检测方法和策略的设计带来了很大困难。本文针对纹理表面缺陷检测问题，提出了一种基于Gabor小波的检测方法。该方法利用实值2-D Gabor小波将图像进行多通道滤波;然后对滤波图像进行非线性处理和平滑滤波产生通道能量图像（特征图像）;在学习阶段估计学习样本（不含缺陷）特征的统计参数，并用于指导检测阶段特征图像的阈值化;然后在不同尺度和方向对阈值化后的特征图像进行融合并二值化以达到减小虚警率的目的。实验结果表明该方法检测效果好，要求学习样本少，适用于不同缺陷类型和各种检测问题。　　为了进一步提高纹理表面缺陷检测速度，本文提出了一种基于二进小波变换的纹理表面缺陷检测方法。该方法用二进小波变换构成多尺度滤波器组，对图像按频带进行分解。然后通过非线性处理和局部能量估计计算特征图像，最后经过阈值化、融合和二值化产生缺陷检测结果。该方法检测效果接近于Gabor小波变换方法，但算法复杂度大为降低，其主要源于二进小波变换较Gabor小波变换时间复杂度的显著降低。另外还可根据支集长度和消失矩阶数构造不同小波基以适应检测不同纹理特征的需要。　　在基于机器视觉的表面颜色分类检测中，颜色成像是第一步，对颜色特征提取和分类结果将产生直接影响。首先，基于颜色匹配和颜色匹配函数阐述了CIE RGB和CIE XYZ线性颜色表示和均匀颜色空间。然后，从理论上分析了CCD相机色度学表征问题，给出了一种基于多项式拟合的颜色表征方法，并讨论了人眼和相机之间的同色异谱现象。最后，给出了细腻纹理颜色的S-CIELAB表示和实现方法。实验结果表明，该方法所获得的颜色表示可较好地反映人类视觉对细腻纹理颜色区域的感知特性。　　表面颜色分类检测旨在根据人类视觉感知特性将产品分类，以使每类产品的颜色具有一致性。根据产品检测和人类视觉感知特性，本文提出一种颜色相似性度量:映射色差。该度量满足距离度量的三个公理条件，并且以两幅图像均值向量之间的L2距离为下界。在此基础上与RWM(Radius Weighted Mean)切分方法相结合，提出了一种基于映射色差的颜色分类检测方法。该方法在CIE1976L*a*b*空间用RWM切分方法提取DC(Dominant Color)，并以最小距离分类器进行分类，其中距离度量用作者所提出的映射色差。实验证明该方法检测结果与人的视觉感知具有良好一致性。　　在基于模板的颜色分类检测中，不同产品批次将产生不同的模板图像，不同批次产品类别之间难以协调，容易导致产品类别混乱。针对这一问题，本文提出了一种基于竞争神经网络的颜色分类检测方法。该方法用竞争学习提取DC，效果较RWM方法更好，较LBG算法计算复杂度大为降低，并且性能相当。然后用自组织映射分类器对每种DC分别进行量化和分类，对比重较大的DC进行量化时通过增加量化级数以利用DC的面积信息。最后进行组合，即可对产品进行分类。该分类方法是一种自上向下方法，有效克服了最小距离分类器中所存在的模板图像过程相关问题。