钢丝绳作为物流设备中常用的承载构件,在物流作业使用中占有重要的地位。实际使用过程中,钢丝绳工作环境较为恶劣,加上长期处于高负载状态,不可避免的会出现磨损、断丝、形变等缺陷,甚至逐步演化为钢丝绳断裂,威胁着工作人员生命财产安全。因此,为了能够准确、及时地发现钢丝绳表面缺陷,并进行风险评估及维护,有必要针对钢丝绳展开无损检测研究。近年来兴起的机器视觉技术为钢丝绳缺陷检测提供了新的思路。在对目前国内外使用机器视觉技术对钢丝绳无损检测进行研究后发现,检测方法存在特征提取方法单一、特征信息利用不充分、分类器缺乏优化、泛化性能差等问题,从而影响了钢丝绳检测效果。本文围绕钢丝绳缺陷检测中存在的问题,提出一种基于图像特征融合和IWOA-SVM的钢丝绳缺陷检测方法,主要研究内容如下。（1）钢丝绳图像硬件采集系统的搭建,在现有实验室条件下选择了能满足实验要求的工业相机及配套工业镜头,并对采集系统的各硬件部分进行构建。然后对钢丝绳图像进行采集,并根据采集到的钢丝绳图像制作了实验所需的数据集。（2）钢丝绳图像预处理方法研究,在提取特征之前,为了提高钢丝绳图像质量,提高钢丝绳缺陷检测算法的鲁棒性,对采集到的钢丝绳图像使用CLAHE算法进行图像预处理,并结合其他图像增强算法进行对比。证明了CLAHE算法在本文上的适用性。（3）钢丝绳图像特征提取方法研究,为了充分利用钢丝绳图像信息,提高图像特征描述能力,本文基于CPICS-LBP结合HOG的钢丝绳图像特征提取方法。首先利用CPICS-LBP和HOG算法提取钢丝绳图像的纹理特征和梯度特征,并将其融合形成新的融合特征。其次通过PCA对融合特征降维处理,减少融合特征包含的噪声和冗余。实验表明,CPICS-LBP结合HOG特征较单一特征具有更强的特征描述能力,能够提高钢丝绳缺陷检测的识别精度。（4）钢丝绳图像特征识别方法研究,针对分类器泛化性差的问题提出一种改进鲸鱼优化算法（IWOA）优化SVM的分类器模型。首先对鲸鱼优化算法（WOA）的控制因子进行改进,并引入非线性控制因子和自适应惯性权值来提高WOA算法的搜索能力。其次将IWOA运用到SVM中对其参数进行优化,提高SVM性能。最后将从实验数据集上提取到的CPICS-LBP结合HOG特征输入到IWOA-SVM分类器进行识别分类。实验结果表明,经过IWOA优化后的SVM分类器能够提高的钢丝绳缺陷检测的识别精度,且算法稳定性高。