本文以医药溶液中的大输液产品为例，进行了可见异物视觉识别和分类方法的研究，用机器视觉来模拟人眼，确保识别和分类方法的有效性和精度，最终实现对大输液异物的准确识别和分类，且将该算法用于实际生产系统，提高药液质量检测的速度和精度，进而带来巨大的经济和社会效益。首先，本文概述了机器视觉技术的原理及应用，介绍了将机器视觉应用于医药溶液产品质量检测的国内外研究现状，结合实际检测对象分析了利用视觉对异物进行识别和分类的难点。其次，简要介绍了视觉检测系统的结构，详细阐述了本文的研究平台，大输液异物视觉识别和分类系统的设计，包括光学照明系统、机械系统和机电控制系统的各部分结构及实现。然后，重点介绍了本文中的异物识别算法。在分析了本文的识别对象及识别难点和关键技术现状后，给出了大输液可见异物视觉识别方案的整体设计。在采集到的原始图像经过自适应加权均值滤波预处理后，利用投影法确定感兴趣区域，剔除了部分瓶底、瓶壁及光线的干扰，并利用复合拉普拉斯增强法对其进行处理。针对运动小目标的特点，在序列图像的基础上，将帧差法与背景法相结合实现对目标的分割；运用基于数学形态学-Kalman滤波器的跟踪算法对分割出的目标对象进一步跟踪识别，正确判断异物与气泡干扰，并给出了实验结果，验证了识别算法的可靠性和有效性。随后，在对异物进行跟踪识别的基础上，提取目标特征，运用BP神经网络和支持向量机对目标对象进行分类，确定其所属类别。针对标准BP算法的收敛速度慢等缺点提出了改进的BP算法，比较了两种算法对标准数据Iris的分类效果，证明其改善了标准BP算法的性能。利用支持向量机对目标对象进行分类时，在传统二分类的基础上采用“一对多”的方式实现多分类。文中给出了BP神经网络和支持向量机两种分类方法的实验结果，并进行了对比，验证了分类算法的有效性和实用性。最后，介绍了本文实验平台的软件系统开发与实现，概述了本软件系统的整体构成，简要描述了其中的用户登录模块、系统控制模块、运动控制模块和数据库模块，重点介绍了相机参数设置模块、视觉识别和分类模块的功能和实现。