硅钢材料主要用作电机、变压器、电器以及电工仪表中的磁性材料。随着机器视觉技术的发展,采用视觉检测与识别技术进行表面缺陷检测与识别表现出越来越大的优势。为了提高产品的质量,表面缺陷的精准定位与识别受到硅钢企业的重视,并投入开展相关研究,提高检测的精度和效率。本文利用图像处理和模式识别等相关技术对目前硅钢表面缺陷检测和识别任务中存在的问题进行分析。由于硅钢表面图像模式复杂,本文采用分级检测与识别的机制,完成硅钢表面从快速初检测、精确检测、微小检测到缺陷类型的识别。此外,针对不同的关键性问题,通过实验在数据集验证了方法的有效性。本文的主要研究内容及成果可归纳如下:（1）针对硅钢表面初级自动缺陷检测的问题,提出了一种基于鲁棒主成分分析模型的自动缺陷检测方法。在实时检测过程中,采用鲁棒主成分分析的模型,将当前的图像序列分解为低秩主成分和稀疏缺陷目标及噪声。对稀疏缺陷目标图像采用大津阈值法,完成表面初级缺陷检测的任务。本文采用三种优化方法求解鲁棒主成分分析的模型,并在硅钢表面图像集进行测试验证了该方法的有效性。（2）针对硅钢表面像素级的精细缺陷检测问题,提出了一种利用二元结构约束进行显著性目标提取的方法,实现了复杂背景下的精确目标检测。首先利用基于卷积神经网络的二元分类器生成图像的二元候选区域,然后根据候选区域的权重进行投票确定每个像素的二元信息,最后利用K近邻增强图表示进行显著性传播,得到最后的精确区域。通过与其它方法的检测结果进行对比,该方法不仅能够对硅钢表面缺陷进行精确定位,同时能够在噪声干扰下保持稳定的检测效果。（3）硅钢表面的复杂纹理使微小的缺陷目标不易检测,为此,提出了一种采用机器学习手段进行硅钢表面微小缺陷检测的方法。首先采用图切方法对图像进行粗分割,然后采用模糊C均值方法对这些过分割区域进行细化,通过对两类区域进行广义高斯建模和贝叶斯概率估计模型,判断像素属于缺陷或背景。通过正确检测个数、错误检测个数和丢失检测个数等指标的对比,表明该方法取得更高正确检测率,同时具有更低误检率。（4）针对常见的局部特征描述子引入阈值手动设置的问题,提出了一种流形结构约束的局部特征描述子,完成缺陷识别的任务。该方法首先计算像素差向量,然后采用迭代的方式建立这些向量的流形结构,引入最大间隔准则学习判别投影向量对该流形进行降维,最后引入加权的距离度量,提高识别过程中的特征匹配准确度。根据公开纹理数据集实验对比结果,本方法的识别率高于对比方法。然后,利用硅钢表面缺陷数据集验证该方法与对比方法的效果,说明本方法取得更好的识别效果。