实木地板表面缺陷的情况直接影响着产品的等级,对不同类别缺陷实现无损检测与自动识别对于实木地板产品的分级以及提高其生产自动化程度都有着重要的意义。因此,我们根据实木地板缺陷的特点,运用数字图像处理技术与模式识别技术,提出了实木地板缺陷形态学分割与聚类识别的方法。本文所研究的实木地板缺陷对象类别主要分为4类：活节、死节、裂纹、虫眼。研究的主要内容包括：实木地板表面缺陷的图像分割、特征提取、特征选择、特征降维、分类器设计。研究含有不同缺陷的样本图像167幅,其中的缺陷个数为321个,包括70个死节、21个活节、73个虫眼、157个裂纹。在图像分割方面,本文提出了两种方法：一种是梯度算子与Otsu阈值融合的分割方法,该方法通过梯度算子原理与Otsu全局阈值原理完成主要的图像分割,之后运用形态学完成后续的处理,既解决了单一的Otsu全局阈值法,对于复杂死节的检测中误识的问题；又弥补了单一的梯度算子方法,对活节的检测中漏识的不足,能够在实木地板表面情况较为简单的情况下实现缺陷图像的分割。另一种方法是基于形态学重构的分割方法,也是本研究中重点的图像分割方法,该方法先是根据原灰度图像提取出种子点图像与生长区域图像,通过种子点优选过程实现去噪声,通过形态学重构等一些必要的形态学操作快速完成区域生长,克服了前一种方法的不足,能够在绝大多是情况下实现缺陷图像的分割。在特征提取方面,本文提取了缺陷图像的3大类特征：几何与区域特征、灰度纹理特征、不变矩特征,共23个具体特征。通过比较方差进行特征选择,其基本原则是同类缺陷特征方差尽可能小,不同类别缺陷特征方差尽可能大,从23个特征中选出16个特征作为最终的特征,以提高整体运算速度。运用主成分分析进行特征降维,将16个特征降至8维,作为分类器的输入,以提高分类器运算速度。在分类器设计方面,我们采用结构为六角形,竞争层大小为10×10的SOM神经网络,运用四类缺陷特征数据共20组特征向量对网络进行训练,根据获胜神经元的分布情况对实木地板表面缺陷进行分类,分类效果很好,其中死节识别率为88.57%、活节识别率为85.17%、虫眼识别率为93.15%、裂纹识别率为89.17%。