针对目前全自动荧光磁粉探伤中裂纹识别能力有限,虚警率高等问题,本文研究了全自动荧光磁粉探伤中高识别率裂纹目标识别的图像处理技术。本文讨论了基于统计学习理论的支持向量机判别模型,着重研究了引入惩罚因子C的支持向量机分类器(C-SVM),并将该传统的C-SVM判别模型引入裂纹识别研究中其中,从几何特征、灰度统计特征、梯度特征和纹理特征等四个方面对裂纹进行了描述；研究选取高斯核函数作为C-SVM的核函数,采用交叉验证法分别求取四类特征C-SVM参数,并应用于裂纹识别。对于样本集自动选取和简化,提出了采用形态学梯度分水岭分割和聚类算法相结合的方法对原图像进行粗分类,基于粗分类的类块骨架等间隔选取样本点,实现自动快速选取典型样本。本文还研究讨论了C-SVM参数(惩罚因子C和高斯核参数g)快速优化估计的方法,将高斯核函数GRAM矩阵相似求取高斯核参数g的方法引入C-SVM,提出欧氏距离、相关距离和夹角余弦作为组合相似性测度,结合采用PSO数值优化方法求取C-SVM改进GRAM矩阵与理想矩阵最相似时的C,g参数。实验仿真结果证明：C-SVM判别模型样本选取简单高效,在荧光磁粉探伤中目标识别正确率高,虚警率低,泛化性能好；参数快速选取相对传统交叉验证识别准确率相当,收敛速度和运算时间都得到了改善。