冷轧带钢是钢铁工业的主要产品之一，它是汽车、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。在制造过程中，由于连铸钢坯、轧制设备、加工工艺等多方面的原因，导致冷轧带钢表面出现边缘锯齿、焊缝、夹杂、抬头纹、氧化皮、结疤、辊印、刮伤、孔洞、针眼、鳞皮、表皮分层等不同类型的缺陷，这些缺陷不仅影响产品的外观，更严重的是降低了产品的抗腐蚀性、耐磨性和疲劳强度等性能。欲提高冷轧带钢的表面质量，必须首先解决其表面缺陷的检测与分类问题，继而分析相应缺陷产生的原因，最终提出消除缺陷的解决方案。 缺陷图像的模式识别是冷轧带钢表面缺陷检测的关键，而特征提取是模式识别中最为重要的步骤，然而在冷轧带钢的缺陷类型识别的研究过程中发现传统的识别方法存在准确识别率不够理想、识别速度较慢、推广性能差、适应性差等不足。其原因在于所提取的特征可分离性不高；现场恶劣环境下采集的图像质量较差、含有较大噪音；图像光照条件变化、亮度差异较大；图像纹理变化复杂、规律性不强；同一类缺陷图像在表观上也存在较大差异；在某一特征值中，类与类之间并不是存在很明确的界限，有严重的重叠现象。因此，针对这些问题，本文的工作主要集中对冷轧带钢表面缺陷的样本采集、特征提取和模式识别等方面进行研究。 具体内容及成果如下： (1)在缺陷样本采集方面，主要研究了冷轧带钢表面噪声图像的快速预处理，以及利用灰度直方图信息从大量表面图像中快速有效地采集出含有缺陷的图像； (2)针对冷轧带钢表面缺陷图像特征提取可分离性不高的现状，提出了基于类距离可分离性判据的混合特征提取方法，设计了具体的特征提取方法和算法。该方法以小波变换的L<,1>范数特征、灰度共生矩阵二次统计特征和形貌特征为基础，运用基于类距离的可分离性判据原理提取出可分离性特征向量。实验结果表明，该方法提取的特征向量具有较大的可分离性，很大程度上提高了特征的分类有效性，使缺陷识别取得了较高的正确识别率。 (3)针对冷轧带钢表面缺陷图像模式识别中出现图像噪音较大和特征值重叠严重的问题，引入模糊模式识别和BP神经网络识别方法，在研究比较两种识别方法的基础上利用模糊模式识别在剔除噪音数据、解决特征重叠方面的优势和BP神经网络在模型拟合、非线性识别上的优势，提出一种新的模糊神经网络方法，对其算法的结构特点进行研究并利用计算机编程实现。对5种出现频率较高的典型缺陷图像进行计算机实验研究研究结果表明，该方法能够对缺陷图像进行有效的识别，具有良好的性能。 (4)提出了基于渐进直推式学习和最近邻法的改进支持向量机的冷轧带钢典型表面缺陷分类识别方法。该方法根据带钢表面缺陷识别的特点，结合渐进直推式学习和最近邻法，对支持向量机在其基本原理基础上加以有效改进，设计了一种冷轧带钢表面缺陷图像模式识别的分类器。通过实验确定了分类器的结构，给出了相关参数的选择方法，实验证明，设计的基于改进支持向量机的分类器很好地克服了支持向量机在缺陷识别过程中存在的推广性能差以及当类别距离过近时准确率下降的问题，具有更好的鲁棒性和准确性。