带钢作为国民经济发展的重要物资,普遍应用于日常生活中的各个领域,带钢表面缺陷的检测及分类对于产品质量的提升,确保我国钢铁企业的稳健发展具有重要而深远的意义。随着机器学习技术的发展,卷积神经网络和支持向量机因为突出的表现被越来越多的学者关注,成为研究热点。在基于卷积神经网络的缺陷分类中,单核卷积神经网络输入大小为32×32的带钢缺陷图片,利用卷积层提取特征,采样层对特征进行混合、筛选,两者交替连接,不断增加特征集数量的同时,减少空间的分辨率,通过反向传播训练网络中的参数,提升分类效果。多核卷积神经网络则使用256×256大小的带钢缺陷图像作为输入,它具有更加复杂的结构,使用多种尺寸卷积核对数据进行操作,极大地丰富了特征种类,同时为了避免由于网络结构复杂造成的训练参数急剧增加,采用大小为1×1的卷积核对数据进行降维操作,提高训练效率。在基于支持向量机的缺陷分类中,径向基核函数具有较为突出的分类性能,但是参数的选择会对准确率造成较大影响,多项式核函数虽然分类效果较径向基稍差,但对参数的变化具有较强的稳定性。通过大量实验,分别寻找径向基和多项式核函数的最优参数,两者分类准确率分别达到89%和88%。为了进一步提升带钢表面缺陷分类的准确率、扩展性和稳定性,提出了混合核函数,综合径向基和多项式核函数的特点,降低了分类过程对参数变化的敏感度,具有更好的扩展性和稳定性,准确率达到90.74%。