风能作为一种可再生的清洁能源之一,已经得到世界上许多国家和地区的广泛应用。风电叶片是把风能转化为电能的主要装置,而风电叶片所处的环境一般都较为恶劣,其表面可能会出现砂眼、划痕、裂纹等缺陷损伤,随着服役时间的增加,这些损伤会严重影响到风电叶片的效率和安全性。目前对风电叶片检测方法大多是通过人工采用望远镜、蜘蛛人目测等方式,这些方式存在检测效率低、安全性差、停机时间长等缺点。因此,本文结合无人机的特点,提出一种基于无人机自主巡检的方案,利用无人机采集图像并通过图像处理算法对所采集的图像进行检测与分类,为今后风电叶片的智能化检测提供理论基础。本文主要的研究内容如下:1)介绍了风电叶片的缺陷类型和所产生的原因,以及这些缺陷会造成的危害,详细介绍了通过传统检测方法以及基于图像处理技术对风电叶片缺陷的检测方法,通过分析这些方法的优缺点,提出了基于图像处理的无人机自主巡检风电叶片表面缺陷的方法。2)分析了风场所处的环境,提出对无人机选型的几点要求,制定出自主巡检方案,并结合无人机的特点,基于双目视觉立体匹配算法确定风电叶片四个关键巡检点的位置信息,制定出巡航路线。3)针对无人机成像特点,对所采集的图片进行预处理工作,通过维纳滤波、中值滤波、分段线性灰度增强、图形二值化等方法增强图像的质量,对其缺陷特征进行提取,利用图像的几种特征作为分类的特征值,并制作出数据集。4)基于灰狼优化算法建立了混合核函数的GWO-SVM算法,并利用该算法对所建立的风电叶片表面缺陷的数据集进行分类,其分类准确率为97.33%。通过与Linear核函数、Poly核函数、RBF核函数对比,GWO-SVM算法优于这几种核函数SVM的分类结果。