汽车电镀件在生产过程产生的表面瑕疵,会影响电镀件的表面美观性、抗腐蚀性和用户体验感。因此,开展对汽车电镀件表面瑕疵检测研究,及时发现并识别出瑕疵的种类,进行工艺改进,具有重要意义。汽车电镀件表面质量检测常采用人工视觉检测方法,该方法效率低,难以满足现代企业生产需求。机器视觉作为一种非接触式的检测方法,具有高效率、精确度高等特点。为此,本论文开展了基于机器视觉的汽车电镀件表面瑕疵检测与识别方法研究,为汽车电镀件表面瑕疵检测提供参考和借鉴。论文通过图像采集系统获取汽车电镀件表面瑕疵图像,并对采集图像中颗粒噪声进行降噪处理。由于汽车电镀件几何结构不规则,采集瑕疵图像中存在反射光斑影响瑕疵检出率的问题,提出了一种反射光斑剔除方法,根据瑕疵与光斑分离或部分覆盖瑕疵图像两种情况,确定区域分布,修复光斑干扰区域,保留瑕疵区域,进而达到剔除光斑干扰的目的。针对非极大值抑制算法造成的瑕疵漏检,以广义重叠度代替传统的重叠度计算方法,并与高斯函数相结合对置信度得分较高的候选框进行衰减,提高瑕疵目标识别的准确率,并实现对汽车电镀件表面划痕、凹坑和斑块三种瑕疵的有效检出与识别。论文的主要研究内容及结论如下:（1）在分析汽车电镀件表面瑕疵种类及特点的基础上,介绍了基于机器视觉的表面瑕疵检测方法研究现状和基于卷积神经网络的表面瑕疵检测研究现状。（2）根据汽车电镀件表面瑕疵检测技术指标要求,设计了检测系统总体方案,对检测系统中的图像采集器件进行了选型,并搭建了图像采集系统,获取了汽车电镀件表现瑕疵原始图像。（3）对比分析了三种滤波方法对原始图像的滤波效果,确定双边滤波方法作为图像颗粒噪声的去除方法。建立了机器视觉检测光学模型,分析了反射干扰光斑形成的原因,提出了一种反射光斑剔除方法。该方法通过图像灰度值与不同尺度的高斯函数卷积加权,提取出图像中的光照分量,获取其光照灰度的分布规律,建立其聚类损失函数,迭代计算出隶属度和簇中心,并使其满足收敛条件,通过图像灰度值变化与其邻近背景区域灰度值变化梯度的特征规律,确定光斑过渡区域与瑕疵区域,根据确定的区域分布修复光斑区域,保留瑕疵区域,进而达到剔除光斑干扰的目的,最后以分段线性函数对瑕疵信息进行增强。（4）选用Faster R-CNN网络模型对汽车电镀件表面瑕疵进行检测与识别,通过VGG16网络对瑕疵信息进行特征提取,采用区域候选网络对特征图生成候选区域,再将候选区域与特征图输送到感兴趣区域池化层,最后经过全连接层和Softmax分类器进行瑕疵检测与识别,并通过非极大值抑制算法删除多余的检测框。考虑到传统非极大值抑制算法对瑕疵位置敏感会造成瑕疵的漏检,提出了一种改进的非极大值抑制算法,以广义重叠度代替传统的重叠度计算方法,并与高斯函数相结合,对置信度得分较高的候选框进行衰减,以达到提高检测准确率的目的。（5）建立VOC2007数据集,完成对训练样本的标记,根据具体参数设置对训练集进行训练,以测试集对提出改进的非极大值抑制算法进行检测和分析。试验结果表明,改进后算法能够有效检测和识别出汽车电镀件表面划痕、凹坑和斑块,并且准确标记出瑕疵的具体位置,表面划痕、凹坑和斑块三种瑕疵的识别准确率分别达到92.5%、90.6%和92.1%,相对于原始的Faster R-CNN算法,改进后的算法在瑕疵识别的平均准确率提高了2.7%。