板带材是钢铁工业的主要产品之一，是汽车、家电、造船、航空航天等行业的重要原材料，其表面质量直接影响最终产品的质量和性能。对板带材表面缺陷图像的识别与分类进行研究具有重要理论及经济价值。 本文针对现有板带材表面缺陷检测识别系统所存在的对缺陷图像的分类识别率不高，以及对误识缺陷和新的缺陷类别图像不能有效处理等不足，提出了板带材表面缺陷组合特征的降维聚类识别算法。 首先为了准确的描述图像，本文提取了板带材表面缺陷图像的不同种类的特征，并根据基于类间类内距离差的类别可分离性判据选择优化组合特征。然后将优化组合特征输入到自组织特征映射神经网中进行特征降维。再采用改进的近邻聚类法对降维后特征点云进行聚类识别。实验表明，此方法将神经网络特征降维与特征近邻聚类算法相结合，实现了两种算法的优势互补，提高了缺陷图像的识别率。 本文基于数据库平台设计了板带材表面缺陷识别模型的扩展学习方法，能够对误识图像和新的缺陷类别图像进行识别模型修正处理，扩展了识别系统的识别能力。 采用本文提出的方法对现有的边缘锯齿、焊缝、夹杂、抬头纹、擦裂和分层六大类缺陷进行了分类识别研究。实验表明，对已有缺陷图像的识别率达到98.3％，并可通过对识别模型的调整，进一步提高对板带材表面缺陷图像的识别率。 本文全部研究工作均是在基于自行开发的缺陷分类识别软件下完成的。此软件还为板带材质量进一步在线控制识别奠定了基础。