板带材产品在建筑、交通运输及工程机械等领域应用十分广泛。随着市场要求的不断提高,板带材的表面质量成为各钢铁企业和用户越来越关注的问题。传统的涡流检测易受到高频信号干扰,漏磁检测与激光检测对微小的缺陷检测能力不强,基于图像处理的机器视觉检测方法凭借着准确、高效和成本低廉等优点,逐渐被广泛应用,但传统图像识别算法存在需要人为设定特征等弊端。卷积神经网络（CNN）是一种可以自主挖掘图像特征并学习的算法,现已被图像处理领域广泛使用。但常规CNN采用随机卷积核的方式,不能控制学习特征的方向,只能通过设置超参数,控制拟合过程。当调整最优的超参数时,准确率若无法突破,模型就会陷入学习瓶颈。为解决上述局限性,本文采用机器视觉技术,对钢板表面缺陷识别算法进行研究。提出了基于特征融合CNN的改进算法,进一步提高钢板表面缺陷识别准确率,主要内容如下:（1）阐述卷积神经网络的理论基础。描述了卷积运算的机理以及CNN处理图像数据的优势,分析了 CNN的基本结构以及训练过程,为建立钢板表面缺陷识别模型提供了理论支持。（2）建立并优化缺陷识别模型。采集并标注1200个样本的钢板表面缺陷数据库,通过实验对比不同滤波方法的处理效果,确定采用高斯滤波法去除噪声;采用数据增强的方法,模拟缺陷的实际分布规律,扩充了数据库容量;对比不同网络模型对缺陷数据的拟合结果,选定了 VGG16结构作为缺陷检测模型的主体网络架构;探讨模型过拟合现象的原因,选定了 Dropout正则化方案避免过拟合;分析不同超参数对数据拟合产生的影响,通过实验确定了最佳的超参数组合,CNN的识别准确率可达92.5 5%。（3）针对网络学习的瓶颈问题,提出多通道特征融合改进算法。通过实验分析不同特征算子对图像的影响规律,探究了不同组合特征算子的融合方式对模型带来的影响,得出了最佳的融合方案;为减少网络的计算参数,探究了不同单通道转化权重比的方式,通过实验对比,得出了最佳的转化权重;使用特征激活图与热力图分析的方法,可视化特征融合处理前后的模型学习效果,验证了特征融合方法的有效性,最终特征融合的CNN识别准确率可达95.63%。（4）设计与开发钢板表面缺陷检测系统并应用于国内某板带材生产线。结合现场光线条件,设计了钢板表面缺陷检测系统的硬件;开发出钢板表面缺陷检测系统的应用软件,包括自动采集、图像拼接、缺陷怀疑区检测等功能和用户操作界面,取得了较好的应用效果。