在木材和木材加工行业,单板是需求量最大的品种,是胶合板等人造板的重要组成部分。单板质量的高低决定了其使用效率,节子缺陷是影响单板质量及其使用的最大因素。在生产中,大多数单板质量检测仍是人工目视检测,繁琐且极有可能出现人为错误。为此,本文结合数字图像处理技术和支持向量机模式识别技术对单板表面的活节和死节进行研究,包括单板节子图像的预处理、特征提取、识别分类问题。（1）介绍了基于自适应伽马校正与分位数、导向滤波、同态滤波和拉普拉斯锐化三种较为经典的图像增强算法,同时将这三种算法作为比较算法对单板节子图像进行增强处理,发现在改善对比度的同时会造成节子缺陷边缘等细节区域的模糊。（2）本文从对比度和细节增强两个角度出发,提出了一种基于自适应校正和非锐化掩膜技术（Unsharp Masking,USM）的单板节子图像增强算法,将加权分布的自适应伽马校正算法、自适应非线性拉伸和USM组建成一种新的增强算法。该方法提取HSV颜色空间的亮度分量和饱和度分量,采用加权分布的自适应伽马校正算法处理亮度分量,增强单板节子图像对比度;为避免色彩的不自然,对饱和度分量进行自适应非线性拉伸处理;利用USM技术增强单板节子图像的细节区域。（3）根据均方误差、峰值信噪比、结构相似度、熵、平均梯度、边缘强度、增强度量七种客观评价指标,并结合主观评价,定量、定性地对增强后的节子图像进行质量评估。本文提出的自适应校正与USM算法在四种方法中的噪声控制、细节增强、对比度增强性能更优异,最大程度地提高了节子图像的质量。（4）本文将基于自适应校正和USM的单板节子增强算法与支持向量机结合,利用纹理特征的灰度共生矩阵和局部特征的定向梯度直方图两个识别参数描述单板节子缺陷,为支持向量机输入合适的特征集,建立起一套完整的适用于单板中活节和死节识别分类的方法。实验结果证明,本文提出的基于自适应校正与USM算法在单板节子图像的对比度和细节增强中,表现出了较好的增强效果与适用性,整体性能优于其他三种对比算法;基于自适应校正和USM算法预处理后得到的单板节子图像的识别准确率相比于其他三种比较算法有了较大的提升。