由于制造过程中涉及到的设备、工艺等多因素的影响,手机金属板表面不可避免地会出现各种缺陷,这些缺陷对金属板的耐磨性、抗腐蚀性、电磁特性会造成不同程度的影响,最终影响手机面板的电磁特性和涂镀效果。在研究国内外已有的表面缺陷检测算法研究现状的基础上,针对所讨论的金属板表面缺陷种类较多、形态各异、缺陷面积小分布不规则、灰度对比不明显,本文结合图像处理、计算机视觉和模式识别,研究了表面缺陷图像去噪、缺陷特征描述和缺陷图像分类技术。金属板表面缺陷的特性,对去噪过程中图像信息的保留提出了较高的要求,因此设计了一种基于旋转不变且具有噪声鲁棒性的特征——FoPLBP特征的非局部均值去噪算法对金属板表面缺陷图像去噪处理,然后对去噪后的金属板表面缺陷图像分块,得到一个1725个缺陷图像和3075个非缺陷图像的数据集。针对金属板表面图像所存在的缺陷与背景间的差异不明显的现象,提出了局部梯度特征HaarHOG特征,给出了表面缺陷图像块HaarHOG特征提取的实现细节,并与HOG特征在数据集上进行了分类实验;针对金属板表面图像所存在的细微缺陷与噪声间的相似性,仅用HaarHOG特征不能实现准确分类,提取了表面缺陷图像块的局部频率特征Gabor特征。针对缺陷图像块分类,首先基于主成分分析实现了高维缺陷特征的降维处理;然后选择朴素贝叶斯和支持向量机两种分类模型,并在不同的分类设计上与HOG+Gabor特征进行了实验比较,实验表明对于本文所研究的金属板表面缺陷,HaarHOG + Gabor特征的分类性能优于HOG + Gabor特征,在PCA特征降维+RBF核SVM上的分类结果符合检测准确率方面的要求。