目前一些常用的缺陷检测方法都是以大样本数据进行分类识别的，但在实际应用中，由于周围环境的因素通常情况下只能得到少量的数据样本，鉴于传统的分类算法对小样本数据分类精度的不足，所以构建一种基于小样本数据的缺陷检测模型是很有必要的。为此，本文建立了一种朴素贝叶斯分类器与图像处理相结合的方法对航空滚动轴承典型缺陷进行检测、分类与识别。通过贝叶斯网络的理论分析、数据模拟和试验验证的方法，对基于贝叶斯网络的朴素贝叶斯分类器的分类识别进行系统的研究，以提高航空滚动轴承典型缺陷的分类识别准确度。主要研究内容和结果如下：在分析贝叶斯理论及朴素贝叶斯分类器工作原理的基础上，鉴于传统分类算法的不足，提出了一种改善朴素贝叶斯分类器对数据参数进行评估的方法，避免了在进行参数估计时出现0或1的极端值，该方法对提高分类器的学习和分类精度很大帮助。利用图像处理技术针对航空滚动轴承及其缺陷进行了特征提取，在所提取的特征参数中，增加了二值比、圆形度、矩形度、7个不变矩特征，试验数据分析表明，二值比特征对区分轴承完好图像与缺陷图像很明显，圆形度、矩形度对于轴承磕碰伤、划伤图像的区分度非常明显，由于7个不变矩具有图像旋转、移动等的不变性，大大降低了对采集图像位置的要求。建立了朴素贝叶斯分类模型，实现了航空滚动轴承典型缺陷的分类识别。根据所提取的航空滚动轴承典型缺陷特征参数，将其随机分为2/3的训练样本和1/3的测试样本。对分类器进行交叉训练学习，构建出分类精度较好的分类模型。同时构建了一个与之相对比的神经网络分类器，实验结果表明本文所构建的分类器的分类精度较神经网络高3.3%。建立了航空滚动轴承数据库，形成了航空轴承检测标准。首先制定了航空滚动轴承的规范，以确定轴承的良好与否。并分析缺陷轴承产生的原因及预防措施。根据航空滚动轴承的轴承型号、结构参数、缺陷类型等，通过SQL Server构建出了航空滚动轴承数据库，形成航空轴承检测企业标准，直接服务于航空滚动轴承质量检测。