带钢是航空、汽车、化工业不可或缺的原材料。近年来，随着科技的发展和对带钢材料需求量的增加，对带钢表面质量的要求也随之增加，但是由于技术水平和生产设备的原因，在轧制带钢的过程中，其表面会出现例如黑斑、划伤、翘皮、磷化斑、褶皱等缺陷，这些缺陷不仅对产品的外观产生影响，更重要的是影响了产品的使用性能，为消费者和生产者带来不可预计的安全隐患，因此研究机器视觉检测系统应用在带钢表面图像上具有重要意义。　　本文对带钢表面缺陷图像的检测与识别方面的各个关键环节进行分析。通过实验比较后的结果，得到行之有效的算法。本文研究内容与成果主要有以下几个方面:　　1.研究了一种基于BM3D的带钢表面图像去噪方法和对该算法的工作原理进行了叙述。通过做几组对比实验选择出了BM3D算法中最适合缺陷图像去噪的一些参数值，将设定好参数值的BM3D算法与几种经典的去噪算法相比较，实验结果表明，无论从主观判断标准还是从客观判断标准来看，BM3D算法在图像去噪方面都取得了良好的效果。　　2.针对带钢表面缺陷具有种类多样、形状复杂和分布随意等特点，研究了一种基于视觉注意机制的Itti模型算法和利用各个特征图的显著度熵值来定义该模型算法中的特征权值大小并将Itti算法运用在带钢表面缺陷图像区域的分割上，用WTA(winner-take-all)网络机制定位出图像中该缺陷区域的位置。最后通过与几种经典的分割算法相比较，实验结果表明，Itti算法取得了较好的效果。　　3.通过提取出缺陷表面图像的几何特征、灰度特征、不变矩特征和拓扑特征、纹理特征等特征值，然后应用动态模糊神经网络D-FNN(Dynamic Fuzzy NeuralNetwork)算法进行带钢表面缺陷图的识别，通过与几种经典的神经网络算法(BP神经网络算法、RBF神经网络算法)进行比较，实验表明，D-FNN算法在缺陷图像的识别上具有较好的效果。